論文の概要: CatalogAgent: A Supervisor-mediated Self-Learning System Enabling Context Engineering for GenAI Models

• arxiv url: http://arxiv.org/abs/2607.14396v1
• Date: Wed, 15 Jul 2026 22:20:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.922527
• Title: CatalogAgent: A Supervisor-mediated Self-Learning System Enabling Context Engineering for GenAI Models
• Title（参考訳）: CatalogAgent:GenAIモデルのためのコンテキストエンジニアリングを実現するスーパーバイザによる自己学習システム
• Authors: Zhu Cheng, Zhenming Wang, Yu, Tang, Dan Liu, Bryan Zhang, Athanasios N. Nikolakopoulos, Pranav Souri Itabada, Jing Zhang, Chih-Chi Chou, Peng Gao, Fatemeh Mansoori, Bharat Bojja, Sarath Chander, Sameer Thombare, Umit Batur, Tarik Arici,
• Abstract要約: 商品カタログはeコマースサイトのバックボーンであるが、多くの構造化属性(SA)が欠落していることが多い。 我々は,電子商取引カタログエンリッチメントのためのジェネレータと評価器モデルを改善する新しいエージェントシステムであるtextttCatalogAgentを紹介する。
• 参考スコア（独自算出の注目度）: 20.766501780801274
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Product catalogs are the backbone of e-commerce sites, yet a large number of structured attributes (SAs) -- such as material, color, and shape -- often have missing values. Typically, SA values are extracted from product information, including titles and descriptions. While LLM-based generator-evaluator frameworks have demonstrated effectiveness for SA prediction -- where an LLM generates SA values and another evaluates them -- they face challenges when the Generator and Evaluator produce conflicting outputs, as either component can make mistakes. We introduce \texttt{CatalogAgent}, a novel agentic system that continuously improves Generator and Evaluator models for e-commerce catalog enrichment. When disagreements arise from (1) internal conflicts between the LLM-based Generator and Evaluator, or (2) external feedback from sellers on LLM outputs, a Supervisor Agent intervenes to mediate these conflicts and make final decisions. The system also incorporates a Memory Base and a Memory Summarizer that stores Supervisor Agent activities from individual cases and aggregates patterns into learnings. These learnings are fed back to the worker Generator and Evaluator LLMs, enabling self-improvement without human intervention. Through context engineering -- injecting learnings and insights into worker LLMs' contexts -- the system successfully transfers the Supervisor's capabilities to the Generator and Evaluator, improving their performance by 15.24\% and 13.98\%, respectively. Our experiments demonstrate a new paradigm of Supervisor Agent-mediated self-learning systems for improving generative AI model accuracy.
• Abstract（参考訳）: 製品カタログはeコマースサイトのバックボーンだが、材料、色、形状など、多数の構造化属性(SA)が欠落していることが多い。 通常、SA値はタイトルや記述を含む製品情報から抽出される。 LLMベースのジェネレータ評価フレームワークは、SAの予測 -- LLMがSAの値を生成し、それを評価する -- の有効性を実証してきたが、ジェネレータと評価器が矛盾するアウトプットを生成する場合、どちらのコンポーネントも間違いを犯す可能性があるため、問題に直面している。 本稿では,電子商取引カタログエンリッチメントのためのジェネレータと評価器モデルを継続的に改善するエージェントシステムである「texttt{CatalogAgent}」を紹介する。 1) LLMベースのジェネレータと評価器の内紛、または(2) LLM出力の売り手からの外部からのフィードバックから不一致が発生した場合、監督官はこれらの紛争を仲介し、最終的な決定を行う。 システムにはメモリベースとメモリサマリザが含まれており、個々のケースからスーパーバイザエージェントのアクティビティを格納し、パターンを集約して学習する。 これらの学習はWorker GeneratorとEvaluator LLMにフィードバックされ、人間の介入なしに自己改善を可能にする。 コンテキストエンジニアリングを通じて、労働者のLLMのコンテキストに学習と洞察を注入することで、システムはスーパーバイザの能力をジェネレータと評価器に転送し、それぞれ15.24\%と13.98\%の性能を向上させることに成功した。 我々の実験は、生成AIモデルの精度を向上させるためのスーパーバイザエージェントによる自己学習システムの新しいパラダイムを実証した。

関連論文リスト

• Trustworthy AI: Ensuring Reliability and Accountability from Models to Agents [2.3407932351117324]
  機械学習(ML)システムの信頼性と説明責任を保証するための理論的保証付きアルゴリズムを開発する。 この論文は、情報理論、最適化、統計的学習に基づくツールを導入し、バイアスを緩和し、任意の決定を減らし、コンテンツの証明を保証する。 大規模言語モデル(LLM)の透かしによる生成AIにおける説明責任の確保
  論文  参考訳（メタデータ） (2026-05-09T14:11:36Z)
• Assessment of Generative Named Entity Recognition in the Era of Large Language Models [11.887255148221008]
  名前付きエンティティ認識(NER)は、大規模言語モデル(LLM)の台頭とともに、シーケンスラベリングタスクから生成パラダイムへと進化している。 我々は,フラットおよびネストされたNERタスクにおいて,オープンソースのLLMを体系的に評価する。 これらの結果から, LLMを用いたジェネレーティブNERは, 従来の方法に代わる有望かつユーザフレンドリーな代替手段であることが示唆された。
  論文  参考訳（メタデータ） (2026-01-25T16:20:40Z)
• SOCK: A Benchmark for Measuring Self-Replication in Large Language Models [0.0]
  SOCKは、人間の介入なしに自己複製する大規模言語モデル(LLM)の能力を測定するベンチマークである。 我々は,広い自己複製能力に基づいてLSMを分類するシステムを開発した。
  論文  参考訳（メタデータ） (2025-09-30T01:27:46Z)
• SI-Agent: An Agentic Framework for Feedback-Driven Generation and Tuning of Human-Readable System Instructions for Large Language Models [0.0]
  システムインストラクション(SI)は、大規模言語モデル(LLM)の指針となる。 既存の自動化手法は、人間が読めない「ソフトプロンプト」を頻繁に生成し、解釈しやすさを犠牲にする。 本稿では,人間の読みやすいSIを自動生成し,反復的に洗練する新しいエージェントフレームワークであるSI-Agentを紹介する。
  論文  参考訳（メタデータ） (2025-07-03T23:44:50Z)
• Prompt Optimization via Adversarial In-Context Learning [51.18075178593142]
  adv-ICLは、ジェネレータとディスクリミネータの間の2プレイヤーゲームとして実装される。 ジェネレータは、判別器を騙すのに十分な出力を生成する。 本稿では,Adv-ICLが最先端のプロンプト最適化技術を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2023-12-05T09:44:45Z)
• Recommender AI Agent: Integrating Large Language Models for Interactive Recommendations [53.76682562935373]
  我々は,LLMを脳として,レコメンダモデルをツールとして使用する,textbfInteRecAgentという効率的なフレームワークを紹介した。 InteRecAgentは会話レコメンデーションシステムとして満足度を達成し、汎用LLMよりも優れる。
  論文  参考訳（メタデータ） (2023-08-31T07:36:44Z)
• Do-Not-Answer: A Dataset for Evaluating Safeguards in LLMs [59.596335292426105]
  本稿では,大規模な言語モデルにおけるセーフガードを評価するための,最初のオープンソースデータセットを収集する。 我々は、自動安全性評価において、GPT-4に匹敵する結果を得るために、BERTライクな分類器をいくつか訓練する。
  論文  参考訳（メタデータ） (2023-08-25T14:02:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。