論文の概要: RecHarness: A Bandit-Routed Agentic Harness for Self-Evolving Recommender Systems
- arxiv url: http://arxiv.org/abs/2607.29241v1
- Date: Fri, 31 Jul 2026 10:15:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 14:29:40.689609
- Title: RecHarness: A Bandit-Routed Agentic Harness for Self-Evolving Recommender Systems
- Title（参考訳）: RecHarness: 自己進化型レコメンダシステムのための帯域制限型エージェントハーネス
- Abstract要約: RecHarnessは、自動レコメンデータモデル最適化のためのBandit-Routed Agentic Harnessである。
最適化プロセスを2つのステップに分割する: 履歴検証フィードバックに従って、バンドルータが次の修正方向を選択する。
長距離探査を継続するため、RecHarnessはジャンプベース機構を使用して、局所的な編集が停滞すると構造ジャンプアームを起動する。
- 参考スコア（独自算出の注目度）: 13.996058312764534
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optimizing modern recommender models still depends heavily on engineers manually iterating over architectural, objective, and training-strategy changes. While LLM-based agents can automate this trial-and-error process, allowing the LLM to both select modification directions and generate concrete hypotheses often leads to unstable search under limited experiment budgets. Inspired by the above challenge, we propose RecHarness, a Bandit-Routed Agentic Harness for automated recommender model optimization. RecHarness separates the optimization process into two steps: a bandit router selects the next modification direction according to historical validation feedback, while the LLM generates a concrete optimization hypothesis and executable code edit within the selected direction. To sustain long-horizon exploration, RecHarness uses a jump-basin mechanism to activate a structural-jump arm when local edits stagnate. Across multiple recommendation tasks, datasets, and model backbones, RecHarness achieves more stable performance improvements and uses limited trial budgets more effectively than LLM-reasoning search. During a 7-day online A/B test on a large-scale short-video advertising platform, the selected candidate improves ADVV by 2.084%, Revenue by 0.534%, and Exposure by 0.559%. Code is available at https://github.com/6lyc/RecHarness.
- Abstract（参考訳）: 現代的なレコメンデータモデルの最適化は、設計、客観的、トレーニング戦略の変更を手作業で反復するエンジニアに大きく依存しています。
LLMベースのエージェントは、この試行錯誤プロセスを自動化することができるため、LSMは修正方向の選択と具体的な仮説の生成の両方を可能とし、限られた実験予算の下で不安定な探索につながることが多い。
上記の課題に触発されて、自動レコメンダモデル最適化のためのBandit-Routed Agentic HarnessであるRecHarnessを提案する。
RecHarnessは最適化プロセスを2つのステップに分割する: バンドルータは履歴検証フィードバックに基づいて次の修正方向を選択する一方、LLMは具体的な最適化仮説を生成し、選択された方向内で実行可能なコード編集を行う。
長距離探査を継続するため、RecHarnessはジャンプベース機構を使用して、局所的な編集が停滞すると構造ジャンプアームを起動する。
複数のレコメンデーションタスク、データセット、モデルバックボーンを通じて、RecHarnessはより安定したパフォーマンス改善を実現し、LLM推論検索よりも効率的な試行予算を使用する。
大規模なショートビデオ広告プラットフォーム上での7日間のオンラインA/Bテストにおいて、候補者はADVVを2.084%改善し、収益を0.034%改善し、露出を0.559%改善した。
コードはhttps://github.com/6lyc/RecHarness.comで入手できる。
関連論文リスト
- AutoSaddler: Automatic Harness Optimization with Durable Updates from Agent Execution Traces [61.51487329124135]
AutoSaddlerは、オフラインの学習問題として改善を活用するフレームワークである。
ミニバッチからの障害信号を使用して、ハーネスを反復的に更新する。
GAIA2, SWE-Bench Pro, Terminal-Bench 2.0 の実験により, AutoSaddler はエージェント性能を大幅に向上することが示された。
論文 参考訳（メタデータ） (2026-08-24T09:45:08Z) - HarnessOpt-Bench: Evaluating LLMs at Harness Optimization [3.846854817984248]
高価な評価体制下でのエンド・ツー・エンドのハーネス最適化のためのベンチマークを導入する。
信頼された実行環境は、評価境界、ターゲットエージェントリソースの使用を強制し、監査のための候補バージョンを保存する。
実験結果から、モデルはコードハーネスよりも分離され、ネイティブハーネスは一貫して優れておらず、タスク間で利得が大きく異なることがわかった。
論文 参考訳（メタデータ） (2026-08-06T17:21:05Z) - LLM-as-a-Verifier: A General-Purpose Verification Framework [74.40111651545979]
本稿では,汎用検証フレームワーク LLM-as-a-Verifier を紹介する。
追加のトレーニングを必要とせずに、エージェントタスクに対してきめ細かいフィードバックを提供する。
いくつかのベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-07-06T17:59:35Z) - EvoRec: Self Evolving Agentic Recommender Systems [10.224777595221445]
提案するEvoRecは,推薦モデルと最適化手法を共進化させるフレームワークである。
EvoRecは最強のベースラインに対して、オフラインメトリクスを最大5.54%改善する。
論文 参考訳（メタデータ） (2026-06-15T08:36:01Z) - Evolving Agents in the Dark: Retrospective Harness Optimization via Self-Preference [51.55077364626896]
本稿では,過去の軌道のみを用いたエージェント・ハーネスを最適化する自己教師型手法であるRetrospective Harness Optimization (RHO)を紹介する。
RHOは、過去の軌跡から様々な課題のコアセットを選択し、それらを並列に解決する。
1回の最適化ラウンドでは、SWE-Bench Proのパスレートが59%から78%に向上する。
論文 参考訳（メタデータ） (2026-06-04T09:26:00Z) - ATLAS : Adaptive Self-Evolutionary Research Agent with Task-Distributed Multi-LLM Supporters [6.13905106667213]
ATLASは、軽量な研究エージェントを反復的に開発するタスク分散フレームワークである。
我々のコアアルゴリズムであるEvolving Direct Preference Optimization (EvoDPO)は、位相インデックス付き参照ポリシーを適応的に更新する。
その結果,ATLASは静的単一エージェントベースラインの安定性と性能を向上させることがわかった。
論文 参考訳（メタデータ） (2026-02-02T19:23:33Z) - Learning to Route LLMs from Bandit Feedback: One Policy, Many Trade-offs [69.2486294522259]
BaRPはBandit Routing-feedback with Preferencesアプローチであり、デプロイと同じ部分フィードバック制限の下でトレーニングされる。
提案手法は,学習中のオンラインフィードバック設定をシミュレートし,新たなプロンプトに適応する。
論文 参考訳（メタデータ） (2025-10-08T18:24:59Z) - Can Prompt Difficulty be Online Predicted for Accelerating RL Finetuning of Reasoning Models? [65.18157595903124]
本研究では任意のプロンプトの反復的近似評価について検討する。
Model Predictive Prompt Selection (MoPPS)はベイズにおけるリスク予測フレームワークである。
MoPPSは迅速な困難を確実に予測し、ロールアウトを大幅に削減したトレーニングを加速する。
論文 参考訳（メタデータ） (2025-07-07T03:20:52Z) - DARS: Dynamic Action Re-Sampling to Enhance Coding Agent Performance by Adaptive Tree Traversal [55.13854171147104]
大規模言語モデル(LLM)は、自然言語処理、データ分析、ソフトウェア開発など、さまざまな領域に革命をもたらした。
符号化エージェントのための新しい推論時間計算スケーリングアプローチである動的アクション再サンプリング(DARS)を提案する。
我々は、SWE-Bench Liteベンチマークに対する我々のアプローチを評価し、このスケーリング戦略がClude 3.5 Sonnet V2で55%のパス@kスコアを達成したことを実証した。
論文 参考訳（メタデータ） (2025-03-18T14:02:59Z) - Deep Reinforcement Learning for Dynamic Order Picking in Warehouse Operations [0.6116681488656472]
本研究は,現代の倉庫管理において重要な課題である動的順序決定問題に対処する。
本稿では,自律的なピックアップ装置を備えた単ブロック倉庫に適したDeep Reinforcement Learningフレームワークを提案する。
動的にピッカー経路を最適化することにより、注文のスループット時間と未充足注文を著しく削減する。
論文 参考訳（メタデータ） (2024-08-03T03:56:46Z)
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。