論文の概要: DSWorld: A Data Science World Model for Efficient Autonomous Agents

• arxiv url: http://arxiv.org/abs/2607.15901v1
• Date: Fri, 17 Jul 2026 12:14:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.847113
• Title: DSWorld: A Data Science World Model for Efficient Autonomous Agents
• Title（参考訳）: DSWorld:効率的な自律エージェントのためのデータサイエンスワールドモデル
• Abstract要約: 本稿では,データサイエンス実行環境をモデル化するデータサイエンス世界モデルについて紹介する。 本稿では,構造化状態構築,コスト認識型ルーティング,軽量な実実行を組み合わせたDSWorldを提案する。 実験によると、DSWorldはRLベースのエージェントトレーニングを約14ドル、検索ベースの推論を約3ドルから6ドルに加速している。
• 参考スコア（独自算出の注目度）: 15.91740117767341
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite strong capabilities in data understanding and decision-making, autonomous data science agents still heavily rely on trial-and-error workflows that involve expensive computation. This bottleneck motivates models that can anticipate the effects of data science operations before real execution. In this paper, we introduce the concept of Data Science World Model, which model the data science execution environment by predicting environment state transitions conditioned on current workflow states and candidate operations. We further propose DSWorld, a practical framework that combines structured state construction, cost-aware routing, lightweight real execution, and an LLM-based simulator for expensive operations. To support training, we construct an 8K-scale transition trajectory dataset and introduce Reflective World Model Optimization, an error-aware reinforcement learning strategy for improving transition prediction. Experiments show that DSWorld accelerates RL-based agent training by approximately $14\times$ and search-based inference by approximately $3$-$6\times$ while maintaining competitive performance, and outperforms the strongest LLM baseline by 35.6% on transition prediction tasks. The code is available at https://anonymous.4open.science/r/DSWorld.
• Abstract（参考訳）: データ理解と意思決定の能力は高いが、自律的なデータサイエンスエージェントは依然として、高価な計算を含む試行錯誤ワークフローに大きく依存している。 このボトルネックは、実際の実行前にデータサイエンス操作の影響を予測できるモデルを動機付けます。 本稿では、現在のワークフロー状態と候補操作を条件とした環境遷移を予測することにより、データサイエンス実行環境をモデル化するデータサイエンス世界モデルの概念を紹介する。 さらに、構造化状態構築、コスト対応ルーティング、軽量な実実行、高価な操作のためのLCMベースのシミュレータを組み合わせた実用的フレームワークDSWorldを提案する。 学習を支援するため、8Kスケールのトランジショントラジェクトリデータセットを構築し、遷移予測を改善するための誤り認識強化学習戦略であるリフレクティブワールドモデル最適化を導入する。 実験の結果、DSWorldはRLベースのエージェントトレーニングを約14ドル、検索ベースの推論を約3ドル～6ドルと加速し、競争性能を維持しながら最強のLCMベースラインを35.6%上回った。 コードはhttps://anonymous.4open.science/r/DSWorldで公開されている。

関連論文リスト

• DataClaw0: Agentic Tailoring Multimodal Data from Raw Streams [48.434767119224375]
  本稿ではエージェントデータ処理へのパラダイムシフトを提案する。 このような高次の能力をトレーニングする際のデータ不足のボトルネックを克服するために、2段階のパイプラインを設計する。 $textDataClaw_0$-9B モデルは、グループ相対ポリシー最適化によるスーパービジョンファインチューニングをシナジする。
  論文  参考訳（メタデータ） (2026-06-19T11:31:43Z)
• Data Science and Technology Towards AGI Part I: Tiered Data Management [53.64581824953229]
  我々は、人工知能の開発がデータモデル共進化の新しい段階に入ったと論じる。 我々は、未処理のリソースから組織的で検証可能な知識まで、L0-L4階層のデータ管理フレームワークを紹介します。 提案手法の有効性を実証研究により検証する。
  論文  参考訳（メタデータ） (2026-02-09T18:47:51Z)
• RealPDEBench: A Benchmark for Complex Physical Systems with Real-World Data [25.53943767088309]
  本稿では,実世界計測とペア数値シミュレーションを統合した科学機械学習(ML)の最初のベンチマークであるRealPDEBenchを紹介する。 RealPDEBenchは5つのデータセット、3つのタスク、8つのメトリクス、10のベースラインで構成される。 実験では、シミュレーションデータと実世界のデータの間に大きな相違点が示され、シミュレーションデータによる事前学習は、精度と収束性の両方を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-01-05T06:49:13Z)
• LLMs as Scalable, General-Purpose Simulators For Evolving Digital Agent Training [55.72784274656801]
  構造化されたUI状態と遷移を生成するスケーラブルなパラダイムを導入し、大規模にトレーニングトラジェクトリを合成する。 このパラダイムは、多様なUI状態のためのデジタルワールドシミュレータ、コヒーレント探索のためのガイド付きロールアウトプロセス、軌道ラッパーを統合している。 WebArenaとAndroidWorldの実験では、UI-Simulatorは実際のUIでトレーニングされたオープンソースエージェントと競合するか、あるいは超越している。
  論文  参考訳（メタデータ） (2025-10-16T17:59:38Z)
• Rapidly Adapting Policies to the Real World via Simulation-Guided Fine-Tuning [13.771418136861831]
  物理シミュレーターは、状態、行動、環境を広範囲にカバーした膨大なデータセットを生成することができる。 これらのポリシーを小さな現実世界のデータセットで微調整することは、ロボット学習をスケールするための魅力的な方法だ。 本稿では,シミュレーション誘導ファインチューニング(SGFT)フレームワークについて紹介する。
  論文  参考訳（メタデータ） (2025-02-04T20:40:44Z)
• DSBench: How Far Are Data Science Agents from Becoming Data Science Experts? [58.330879414174476]
  現実的なタスクでデータサイエンスエージェントを評価するためのベンチマークであるDSBenchを紹介する。 このベンチマークには、466のデータ分析タスクと、EloquenceとKaggleのコンペからソースされた74のデータモデリングタスクが含まれている。 現状のLLM, LVLM, エージェントを評価したところ, 最高のエージェントはデータ解析タスクの34.12%しか解決できず, RPG(Relative Performance Gap)は34.74%であった。
  論文  参考訳（メタデータ） (2024-09-12T02:08:00Z)
• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• A New Benchmark: On the Utility of Synthetic Data with Blender for Bare Supervised Learning and Downstream Domain Adaptation [42.2398858786125]
  コンピュータビジョンにおけるディープラーニングは、大規模ラベル付きトレーニングデータの価格で大きな成功を収めた。 制御不能なデータ収集プロセスは、望ましくない重複が存在する可能性のある非IIDトレーニングおよびテストデータを生成する。 これを回避するために、ドメインランダム化による3Dレンダリングによる合成データを生成する方法がある。
  論文  参考訳（メタデータ） (2023-03-16T09:03:52Z)

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。