論文の概要: Recovering Wasted Compute in Autoresearch Agents
- arxiv url: http://arxiv.org/abs/2608.10424v1
- Date: Tue, 11 Aug 2026 03:15:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.886893
- Title: Recovering Wasted Compute in Autoresearch Agents
- Title（参考訳）: 自動検索エージェントにおける廃計算の回収
- Abstract要約: 自動検索システムのコアにおけるモデリングパイプラインについて検討し、一般的な障害モードを同定する。
自動検索エージェントの性能向上は,エージェント設計だけで達成できることが判明した。
- 参考スコア（独自算出の注目度）: 35.718169903054736
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A slew of recent works develop agents for solving research problems end-to-end, a paradigm increasingly referred to as autoresearch. Such agents have inspired large industry investment, motivated by their potential to automate time-consuming human labor and customize machine learning solutions for specialized applications. In this paper, we study the modeling pipeline at the core of these autoresearch systems and identify common failure modes when they are applied to tabular datasets: (1) they waste compute resolving the same bugs over and over again; (2) they often fail to tune hyperparameters even when they have a large remaining compute budget; (3) the tree-search algorithms that power them do not explore; and (4) they perform data analysis, mimicking the humans whose data they are trained on, but do not use that analysis to make downstream decisions. We explore targeted interventions and find that a global debug consultant that shares discovered runtime constraints across all branches of the search tree, prompt- and control-level enhancements, and refined tree-search algorithms successfully recover wasted compute. Our results show that large gains in autoresearch agent performance are achievable through agentic design alone, holding the underlying language model fixed.
- Abstract（参考訳）: 近年の多くの研究で研究課題をエンドツーエンドに解決するためのエージェントが開発されている。
このようなエージェントは、時間を要する人的労働を自動化し、特殊なアプリケーションのために機械学習ソリューションをカスタマイズする可能性に動機づけられた、大規模な産業投資にインスピレーションを与えている。
本稿では,これらの自動検索システムの中核部におけるモデリングパイプラインについて検討し,(1)計算を無駄にして同じバグを何度も何度も解決する,(2)計算予算が大きい場合でもハイパーパラメータを調整できない,(3)探索を行わない木探索アルゴリズム,(4)データ解析を行い,トレーニング対象のデータを模倣するなど,表層データセットに適用する場合の一般的な障害モードを特定する。
対象とする介入を調査し、検索ツリーの全ブランチにわたるランタイム制約を発見したグローバルデバッグコンサルタント、プロンプトおよびコントロールレベルの拡張、洗練されたツリー検索アルゴリズムが、無駄な計算の回復に成功したことを発見した。
自動検索エージェントの性能はエージェント設計のみで向上し,基礎となる言語モデルを固定した。
関連論文リスト
- How Do Agents Fail on AutoResearch: End-to-End Diagnostic Evaluation on 100 Real-World Frontier Research Tasks [6.001213285107465]
AutoResearchEvalは、7つの科学領域にまたがるフロンティア科学に根ざした100のタスクを特徴としている。
8つのハーネスモデルの組み合わせを評価すると、800個のオート検索剤の軌道が得られる。
我々は,人間のキャリブレーションしたエージェント・アズ・ア・ジャッジ・パイプラインを利用して,完全な軌道や中間成果物を検査する。
論文 参考訳（メタデータ） (2026-08-14T21:39:38Z) - The Optimizer Is the Agent: Reasoning-Driven Search across Prompts, Programs, and ML Workflows [72.9051182568928]
推論駆動最適化のための統合フレームワークであるReASearchを提案する。
共有エージェントループとドメイン固有のツールにより、ReASearchは、プロンプト、プログラム、MLを最適化するために、まったく同じスキャフォールドをインスタンス化する。
我々は,複雑な探索行動がエージェントの推論プロセスから自然に現れることを観察する。
論文 参考訳（メタデータ） (2026-08-07T02:15:39Z) - A case study of evaluating AI agents on a neuroscience data-to-discovery pipeline [4.751533658796929]
本研究では,ハエのオプトジェネティックスデータ発見パイプラインにおける汎用コーディングエージェントの実証研究について述べる。
既存のベンチマークよりも大幅に大きいタスクのエージェント、桁違いに大きいデータセット、ドメインエキスパート標準に基づく評価基準について評価する。
エージェントが複数のパイプラインステージを解決できることを示し、ステージレベルの自動化が抽出可能であることを示唆する。
論文 参考訳（メタデータ） (2026-06-05T15:38:18Z) - AI-Supervisor: Autonomous AI Research Supervision via a Persistent Research World Model [1.14219428942199]
既存の自動研究システムは、ステートレスでリニアなパイプラインとして動作する。
マルチエージェントオーケストレーションフレームワークである textbfAI-Supervisor を提案する。
エージェントは、人間の関心によって駆動されるエンドツーエンドのAI研究の監督を提供する。
論文 参考訳（メタデータ） (2026-03-25T15:16:51Z) - Cost-Aware Diffusion Active Search [8.238352995483533]
関心のある物体を回収するためには、探索空間における先行観測を生かして未知の環境の探索をオフにする必要がある。
本研究では,拡散モデルのシーケンスモデリング能力を活用して,探索・探索トレードオフのバランスをとるルックアヘッド動作シーケンスを,網羅的な探索木を構築することなくサンプリングする。
提案アルゴリズムは, オフライン強化学習において, 完全回復率で標準ベースラインを上回り, コストを意識した能動意思決定において, 木探索よりも計算効率が高い。
論文 参考訳（メタデータ） (2026-02-23T06:11:51Z) - SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。
実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。
回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
論文 参考訳（メタデータ） (2025-11-29T09:18:39Z) - Barbarians at the Gate: How AI is Upending Systems Research [58.95406995634148]
システム研究は、新しいパフォーマンス指向アルゴリズムの設計と評価に長年注力してきたが、AI駆動のソリューション発見には特に適している、と私たちは主張する。
このアプローチをAI駆動システム研究(ADRS)と呼び、ソリューションを反復的に生成し、評価し、洗練する。
我々の研究結果は、AI時代のシステム研究の実践に急激な適応の必要性と破壊的な可能性を浮き彫りにしている。
論文 参考訳（メタデータ） (2025-10-07T17:49:24Z) - DatasetResearch: Benchmarking Agent Systems for Demand-Driven Dataset Discovery [26.388978716803464]
AIエージェントは、通常の検索を超越して、特定のユーザ要求を満たすデータセットを体系的に検出できるだろうか?
我々のベンチマークと包括的な分析は、次世代の自己改善型AIシステムの基礎を提供する。
論文 参考訳（メタデータ） (2025-08-09T12:15:08Z) - From Web Search towards Agentic Deep Research: Incentivizing Search with Reasoning Agents [96.65646344634524]
推論とエージェント能力を備えた大規模言語モデル(LLM)は、エージェントディープリサーチ(Agenic Deep Research)と呼ばれる新しいパラダイムを取り入れている。
静的なWeb検索から,計画,探索,学習を行う対話型エージェントベースのシステムへの進化を辿ります。
我々はエージェントディープリサーチが既存のアプローチを著しく上回るだけでなく、将来の情報探索において支配的なパラダイムになることを実証する。
論文 参考訳（メタデータ） (2025-06-23T17:27:19Z) - Tree Search for Language Model Agents [73.97960454223164]
対話型Web環境での探索と多段階計画を行うために,LMエージェントの推論時探索アルゴリズムを提案する。
我々のアプローチは、実環境空間内で機能する最優先木探索の一形態である。
現実的なWebタスクにおいて有効性を示すLMエージェントのための最初の木探索アルゴリズムである。
論文 参考訳（メタデータ） (2024-07-01T17:07:55Z)
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。