論文の概要: Agentic Instruction Data Selection: Let DataMaster Interpret Your Intent

• arxiv url: http://arxiv.org/abs/2608.10579v1
• Date: Tue, 11 Aug 2026 07:05:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.933149
• Title: Agentic Instruction Data Selection: Let DataMaster Interpret Your Intent
• Title（参考訳）: Agentic Instruction Data Selection: DataMasterがインテントを解釈する
• Abstract要約: 本稿では,インストラクションデータ選択エージェント(DataMaster)による自動オーケストレーションへのパラダイムシフトを提案する。 DataMasterは、ユーザが自然言語記述を通じてデータ要求を指定できるようにすることで、データキュレーションを単純化し、手作業による戦略設計の負担を取り除く。 数学、医学、コードドメインにわたる実験では、DataMasterはほとんどの設定で静的ベースラインを上回っ、かなりの数のケースでフルプールトレーニングを上回っている。
• 参考スコア（独自算出の注目度）: 14.370745602969604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although existing instruction data selection methods have introduced various metrics, the inherent complexity of real-world datasets makes it impractical for any single metric to generalize across all scenarios. Developers are thus often forced to manually inspect data and craft heuristic rules for each new application---a tedious and error-prone process. In this paper, we propose a paradigm shift from manual configuration to automated orchestration via the Instruction Data Selection Agent (DataMaster), which interprets user intent and autonomously composes optimal selection strategies. By allowing users to specify data needs through natural language descriptions, DataMaster simplifies data curation and removes the burden of manual strategy design. Extensive experiments across the math, medical, and code domains show that DataMaster outperforms static baselines in most settings and surpasses full-pool training in a substantial number of cases. The implementation of DataMaster and the scripts needed to reproduce the reported pipeline are publicly available at https://github.com/nju-websoft/DataMaster.
• Abstract（参考訳）: 既存の命令データ選択手法は様々なメトリクスを導入しているが、実世界のデータセットの本質的な複雑さは、すべてのシナリオにまたがって単一のメトリクスを一般化することは不可能である。 したがって、開発者は手動でデータを調べ、新しいアプリケーションごとにヒューリスティックなルールを作らざるを得ない。 本稿では、ユーザ意図を解釈し、最適な選択戦略を自律的に構成するインストラクションデータ選択エージェント(DataMaster)による手動構成から自動オーケストレーションへのパラダイムシフトを提案する。 DataMasterは、ユーザが自然言語記述を通じてデータ要求を指定できるようにすることで、データキュレーションを単純化し、手作業による戦略設計の負担を取り除く。 数学、医学、コードドメインにわたる大規模な実験は、DataMasterがほとんどの設定で静的ベースラインを上回っ、かなりの数のケースでフルプールトレーニングを上回っていることを示している。 DataMasterの実装と報告されたパイプラインを再現するために必要なスクリプトはhttps://github.com/nju-websoft/DataMasterで公開されている。

関連論文リスト

• Neurodata Without Boredom: Benchmarking Agentic AI for Data Reuse [0.1494633072572191]
  神経科学データは、実験室、フォーマット、実験パラダイムで非常に断片化されている。 多様な実験に対応するのに十分なフレキシブルなフォーマットは、自己説明が可能であることは滅多にない。 汎用的なコーディングエージェントは各サブタスクでうまく動作したが、完全にエラーのないエンドツーエンドのソリューションをまとめることはめったにない。
  論文  参考訳（メタデータ） (2026-05-12T23:00:18Z)
• DataMaster: Data-Centric Autonomous AI Research [51.95819363392062]
  タスク条件付き自律データエンジニアリングについて検討し、エージェントがデータ側のみを最適化することで、固定学習アルゴリズムを改善する。 木構造検索,共有候補データ,累積メモリを統合したデータエージェントフレームワークであるDataMasterを提案する。 MLE-Bench LiteとPostTrainBenchの2種類のベンチマークでDataMasterを評価する。
  論文  参考訳（メタデータ） (2026-05-11T17:46:24Z)
• TaP: A Taxonomy-Guided Framework for Automated and Scalable Preference Data Generation [50.319535974012]
  大規模言語モデル(LLM)の教師付き微調整と選好微調整を行うには、高品質なデータセットが必要である。 教師付きおよび好みの微調整のためのほとんどのデータセットは英語で提供されている。 本稿では、アンダーラインtextbfTaxonomy-Guided underlinetextbfPreference Data Generationフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-30T15:45:28Z)
• Mastering Collaborative Multi-modal Data Selection: A Focus on Informativeness, Uniqueness, and Representativeness [63.484378941471114]
  我々は、効果的なデータ選択のために、インフォーマル性、ユニーク性、代表性という3つの重要な原則を活用するコラボレーティブフレームワーク、DataTailorを提案する。 様々なベンチマークの実験により、DataTailorはデータの15%でフルデータの微調整のパフォーマンスの101.3%を達成している。
  論文  参考訳（メタデータ） (2024-12-09T08:36:10Z)
• GenQA: Generating Millions of Instructions from a Handful of Prompts [67.54980063851605]
  ほとんどの公開命令微調整データセットは、業界モデルをトレーニングするために使用されるクローズドソースデータセットと比較して比較的小さい。 本研究では,1つのプロンプトから大規模命令データセットを生成する手法について検討する。 我々のデータセットは、知識集約型リーダーボードタスクと会話評価の両方で、WizardLMとUltrachatの両方に遭遇または超過します。
  論文  参考訳（メタデータ） (2024-06-14T17:44:08Z)
• Automatic Data Curation for Self-Supervised Learning: A Clustering-Based Approach [36.47860223750303]
  自己教師付き事前学習のための高品質データセットの自動キュレーションの問題点を考察する。 これらの基準をすべて満たしたクラスタリングに基づく手法を提案する。 我々の方法は、大規模で多様なデータリポジトリ上で、$k$-meansの連続的かつ階層的なアプリケーションを含む。
  論文  参考訳（メタデータ） (2024-05-24T14:58:51Z)
• UniDM: A Unified Framework for Data Manipulation with Large Language Models [66.61466011795798]
  大規模言語モデル(LLM)は複数のデータ操作タスクを解決する。 LLMはパフォーマンス面では明るい利点を示すが、それぞれのタスクに合うようにカスタマイズされた設計が必要である。 データ操作タスクを処理するための新しいパラダイムを確立する統一フレームワークUniDMを提案する。
  論文  参考訳（メタデータ） (2024-05-10T14:44:04Z)
• Behavior Retrieval: Few-Shot Imitation Learning by Querying Unlabeled Datasets [73.2096288987301]
  オフラインでラベル付けされていないデータセットから、少量のダウンストリーム専門家データを用いて、関連する振る舞いを選択的にクエリする簡単なアプローチを提案する。 提案手法では,タスクへの関連する遷移のみを問合せし,サブ最適データやタスク非関連データをフィルタリングする。 我々の単純なクエリ手法は、画像からシミュレーションされた実際のロボット操作タスクに対して、より複雑な目標条件の手法よりも20%優れています。
  論文  参考訳（メタデータ） (2023-04-18T05:42:53Z)

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。