論文の概要: KC-Agent: A Dual-Process Cognitive Architecture for Efficient ML Model Improvement
- arxiv url: http://arxiv.org/abs/2608.02351v1
- Date: Mon, 03 Aug 2026 15:03:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.614993
- Title: KC-Agent: A Dual-Process Cognitive Architecture for Efficient ML Model Improvement
- Title（参考訳）: KC-Agent: 効率的なMLモデル改善のための2段階認知アーキテクチャ
- Abstract要約: データドリフトは、本番環境での機械学習システムにとって大きな課題となる。
自動MLモデル改善のための2プロセス認知アーキテクチャであるKC-Agentを提案する。
実世界のNASAターボファンデータを含む5つのデータセットについて評価を行った。
- 参考スコア（独自算出の注目度）: 2.716039597401137
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data drift poses significant challenges for machine learning systems in production, requiring continuous model updates to maintain performance. We present KC-Agent, a dual-process cognitive architecture for automated ML model improvement that combines fast pattern recognition (System 1) with deliberate incremental updates (System 2). Our approach implements structured memory systems enabling System 1 to leverage successful solutions previously discovered by System 2, achieving efficient pattern-based responses without costly re-computation. KC-Agent incorporates atomic change principles and rollback capabilities to ensure reliable, verifiable updates in production environments. We evaluate our method on five datasets including real-world NASA turbofan data with authentic temporal degradation and synthetic datasets with controlled drift scenarios. KC-Agent achieves state-of-the-art performance (76.8% accuracy) while maintaining optimal efficiency (13.2s execution time), outperforming established cognitive architectures: CodeAct (+2.4%), Tree of Thoughts (+3.6%), ReAct (+8.0%), and Reflexion (+8.9%). Consensus evaluation by a panel of state-of-the-art LLMs confirms superior strategic efficacy (8.33/10 Smartness score), significantly outperforming baseline agents. The knowledge consolidation mechanism delivers 91% speedup over the slow variant while maintaining higher accuracy. Our approach demonstrates both theoretical foundations and practical viability for cognitive-inspired automated ML improvement systems capable of handling complex real-world data drift scenarios.
- Abstract（参考訳）: データドリフトは、実運用環境での機械学習システムにとって重大な課題であり、パフォーマンスを維持するために継続的なモデル更新が必要である。
KC-Agentは、高速パターン認識(System 1)と故意のインクリメンタルアップデート(System 2)を組み合わせた自動MLモデル改善のためのデュアルプロセス認知アーキテクチャである。
提案手法では,システム1が以前システム2で発見されたソリューションを有効活用し,コストのかかる再計算を行なわずに効率的なパターンベースの応答を実現する。
KC-Agentにはアトミックな変更原則とロールバック機能が含まれており、プロダクション環境で信頼性があり、検証可能な更新を保証する。
提案手法は,実世界のNASAターボファンデータと実時間分解と,制御されたドリフトシナリオによる合成データセットを含む5つのデータセットに対して評価を行った。
KC-Agentは、最適な効率(実行時間13.2秒)を維持しつつ、最先端のパフォーマンス(76.8%の精度)を達成し、CodeAct(+2.4%)、Tree of Thoughts(+3.6%)、ReAct(+8.0%)、Reflexion(+8.9%)など、確立された認知アーキテクチャを上回っている。
最先端のLCMパネルによるコンセンサス評価は、優れた戦略効果(8.33/10スマートネススコア)を確認し、ベースラインエージェントを著しく上回る。
知識統合機構は、より高い精度を維持しながら、遅い変種に対して91%のスピードアップを提供する。
本手法は,複雑な実世界のデータドリフトシナリオを扱える認知に着想を得た自動ML改善システムにおいて,理論的基礎と実用性の両方を実証する。
関連論文リスト
- FSFM: A Biologically-Inspired Framework for Selective Forgetting of Agent Memory [11.729108742234416]
リソース制約のある環境では、よく設計された忘れるメカニズムは、記憶し、3次元にわたって利益をもたらすのと同じくらい重要である。
我々の枠組みは, 受動減衰に基づく, アクティブ削除に基づく, 安全トリガーによる, 適応強化に基づく, 忘れる機構の分類を定めている。
その結果、アクセス効率(+8.49%)、コンテンツ品質(+29.2%)、セキュリティパフォーマンス(100%セキュリティリスクの排除)など、大幅な改善が見られた。
論文 参考訳（メタデータ） (2026-04-22T07:55:22Z) - ROAD: Reflective Optimization via Automated Debugging for Zero-Shot Agent Alignment [1.6968020497268546]
ROADは、最適化を検索ではなく動的デバッグ調査として扱う新しいフレームワークである。
道路はサンプリング効率が高く、成功率は5.6%、検索精度は3.8%向上している。
これらの結果は、ヒューマンエンジニアリングの失敗分析とパッチングのループを模倣することで、リソース集約的なトレーニングに代わる、実行可能なデータ効率の代替が可能になることを示唆している。
論文 参考訳（メタデータ） (2025-12-30T07:31:34Z) - AgentMath: Empowering Mathematical Reasoning for Large Language Models via Tool-Augmented Agent [80.83250816918861]
o3やDeepSeek-R1のようなLarge Reasoning Models (LRM)は、長いチェーン・オブ・シークレットを持つ自然言語推論において顕著な進歩を遂げている。
しかし、計算的に非効率であり、複雑な数学的操作を必要とする問題を解く際には精度に苦しむ。
本稿では,言語モデルの推論能力とコードインタプリタの計算精度をシームレスに統合するエージェントフレームワークであるAgentMathを紹介する。
論文 参考訳（メタデータ） (2025-12-23T19:57:49Z) - CUARewardBench: A Benchmark for Evaluating Reward Models on Computer-using Agent [46.41047559759938]
CUA(Computer-using Agent)は、オペレーティングシステムやソフトウェアインターフェースとの自然なインタラクションを通じてタスクの完了を可能にするエージェントである。
Reward モデルは有望な代替手段を提供するが、CUA 評価におけるその有効性はほとんど未検討である。
CUARewardBenchは4つの重要なコントリビューションから構成される。
論文 参考訳（メタデータ） (2025-10-21T12:53:40Z) - Demystifying Reinforcement Learning in Agentic Reasoning [90.3737088727791]
エージェント推論における強化学習のデミスティフィケーションのための包括的かつ体系的な調査を行う。
i) 縫合された合成軌道を、実際のエンドツーエンドのツール・ツー・ユース・トラジェクトリに置き換えることで、より強力なSFTが得られる。
探索フレンドリーな技術は、高いクリップ、過剰な報酬形成、適切なポリシーエントロピーの維持といったエージェントRLにとって不可欠であり、訓練効率を向上させることができる。
論文 参考訳（メタデータ） (2025-10-13T17:57:15Z) - MARS: Optimizing Dual-System Deep Research via Multi-Agent Reinforcement Learning [82.14973479594367]
複雑な推論タスクのための大規模言語モデル(LLM)は、直感的で意図的な認知プロセスを橋渡しする革新的なアプローチを必要とする。
本稿では,Multi-Agent System for Deep ReSearch (MARS)を提案する。
論文 参考訳（メタデータ） (2025-10-06T15:42:55Z) - Automatic Failure Attribution and Critical Step Prediction Method for Multi-Agent Systems Based on Causal Inference [8.823529310904162]
マルチエージェントシステム(MAS)は複雑なタスクの自動化に不可欠であるが、その実践的展開は障害帰属の課題によって妨げられている。
マルチグラニュラリティ因果推論に基づくMASのための最初の失敗帰属フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-10T15:22:00Z) - Resource-Efficient Automatic Software Vulnerability Assessment via Knowledge Distillation and Particle Swarm Optimization [8.132644507041922]
本稿では,知識蒸留と粒子群最適化を統合し,自動脆弱性評価を実現する新しい資源効率フレームワークを提案する。
まず、粒子群最適化を用いて、コンパクトな学生モデルのアーキテクチャを最適化する。
第2に,大きな教師モデルから最適化された学生モデルへの重要な脆弱性評価知識の伝達に,知識蒸留を適用した。
論文 参考訳（メタデータ） (2025-07-30T13:55:28Z) - AutoMind: Adaptive Knowledgeable Agent for Automated Data Science [70.33796196103499]
LLM(Large Language Model)エージェントは、現実世界のデータサイエンス問題に対処する大きな可能性を示している。
既存のフレームワークは、厳格で、事前定義された、柔軟性のないコーディング戦略に依存している。
適応的で知識のあるLLMエージェントフレームワークであるAutoMindを紹介する。
論文 参考訳（メタデータ） (2025-06-12T17:59:32Z) - EfficientLLM: Efficiency in Large Language Models [64.3537131208038]
大規模言語モデル(LLM)は大きな進歩を導いてきたが、その増加とコンテキストウィンドウは計算、エネルギー、金銭的コストを禁止している。
本稿では,新しいベンチマークであるEfficientLLMを紹介する。
論文 参考訳（メタデータ） (2025-05-20T02:27:08Z) - RA-DIT: Retrieval-Augmented Dual Instruction Tuning [90.98423540361946]
Retrieval-augmented Language Model (RALMs) は、外部データストアからロングテールおよび最新の知識にアクセスすることで、パフォーマンスを向上させる。
既存のアプローチでは、LM事前トレーニングに高価な検索固有の修正が必要になるか、あるいは、最適以下のパフォーマンスをもたらすデータストアのポストホック統合を使用する必要がある。
本稿では,第3の選択肢を提供する軽量な微調整手法であるRetrieval-Augmented Dual Instruction Tuning (RA-DIT)を紹介する。
論文 参考訳（メタデータ） (2023-10-02T17:16:26Z)
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。