論文の概要: Automating Parent Selection Configuration in Genetic Programming with Agentic AI
- arxiv url: http://arxiv.org/abs/2608.17172v2
- Date: Tue, 25 Aug 2026 16:52:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:14.686213
- Title: Automating Parent Selection Configuration in Genetic Programming with Agentic AI
- Title（参考訳）: エージェントAIを用いた遺伝的プログラミングにおける親選択構成の自動化
- Abstract要約: エージェント人工知能が遺伝的プログラミングシステムの設計プロセスの一部を自動化できるかを検討する。
本稿では,大規模言語モデル(LLM)推論と検索拡張生成を用いて,親選択アルゴリズムの識別と実装を行うエージェントフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 5.114259141737642
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We investigate whether agentic artificial intelligence can automate parts of the process of designing genetic programming systems by introducing an agentic framework that identifies and implements parent selection algorithms using large language model (LLM) reasoning and retrieval-augmented generation. Using symbolic regression as a test bed, we first conduct an ablation study across four LLM types to evaluate the effects of agentic reasoning and retrieval on generated algorithm categories, validity, implementation similarity, and downstream performance. Results show that these components substantially influence the types of algorithms generated, but their downstream performance largely depends on the underlying LLM. The strongest configuration, the full agentic setup with 5 mini (5 mini--AR), consistently generated established $ε$-lexicase implementations while maintaining competitive downstream performance. We then benchmark this configuration against fixed implementations of tournament selection and semi-dynamic MAD $ε$-lexicase. Across six symbolic regression problems, 5 mini--AR performed similarly to $ε$-lexicase while generally outperforming tournament selection. These findings demonstrate the potential of agentic AI to translate domain knowledge into generating executable components, providing a step toward automated configuration and design of evolutionary systems.
- Abstract（参考訳）: 我々は,大規模言語モデル(LLM)推論と検索拡張生成を用いて,親選択アルゴリズムを識別・実装するエージェントフレームワークを導入することにより,エージェント人工知能が遺伝的プログラミングシステムの設計プロセスの一部を自動化できるかどうかを検討する。
実験ベッドとして記号回帰を用いて, エージェント推論と検索が生成アルゴリズムカテゴリ, 妥当性, 実装類似性, 下流性能に与える影響を評価するために, 4種類のLCMタイプを対象としたアブレーション実験を行った。
その結果、これらのコンポーネントは生成したアルゴリズムの種類に大きく影響することが示されたが、そのダウンストリーム性能は基礎となるLLMに大きく依存している。
最も強力な構成は、5 mini (5 mini-AR) のフルエージェント構成で、競争力のあるダウンストリーム性能を維持しながら、確立された$ε$-lexicase実装を一貫して生成した。
次に、この構成をトーナメント選択とセミダイナミックMAD$ε$-lexicaseの固定実装に対してベンチマークする。
6つのシンボリックレグレッション問題のうち、5つのミニARはε$-lexicaseと同様に実行され、一般的にトーナメント選択よりも優れていた。
これらの知見は、ドメイン知識を実行可能なコンポーネントを生成するためのエージェントAIの可能性を示し、進化的システムの自動構成と設計へのステップを提供する。
関連論文リスト
- From Atomic to Agentic: Towards Interpretable Evaluation of LLMs' Agentic Mathematical Capabilities [103.60384544335072]
大規模言語モデル(LLM)は、エンドツーエンドの数学的推論からエージェントインテリジェンスの統合へと進化している。
本フレームワークは,問題解決エージェントの挙動を,再利用可能な数学的原子能力の構造化された分類法と整合させる。
実験により、同様のエンドツーエンドの精度を持つモデルでは、エージェント能力プロファイルが著しく異なることが判明した。
論文 参考訳（メタデータ） (2026-08-27T10:52:06Z) - CIPHER: A Decoupled Exploration-Selection Framework for Test-Time Scaling of Data Science Agents [1.4057557845067372]
CIPHERは自動データサイエンスエージェントで、同時実行のための複数の初期状態の生成と選択を通じてテスト時間のスケーリングを活用する。
マッチングモデルの比較において,CIPHERが最先端性能を上回ることを示す。
本研究は,Decoupled Exploration-Selectionフレームワークの設計空間を特徴付けるものである。
論文 参考訳（メタデータ） (2026-07-15T22:01:21Z) - From Atomic Actions to Standard Operating Procedures: Iterative Tool Optimization for Self-Evolving LLM Agents [90.3279207163486]
EvoSOPは、エージェントが実行軌跡からSOPを抽出し、反復的にツールセットを最適化することを可能にするフレームワークである。
EvoSOPはタスク成功率を大幅に向上し,インタラクションラウンドの回数を大幅に削減することを示す。
論文 参考訳（メタデータ） (2026-07-08T12:09:49Z) - Risk Architecture for AI-Native Engineering Teams: An Organizational Framework for Agentic System Governance [0.0]
本稿では、純粋なソフトウェアエンジニアリング、ハイブリッド、AIネイティブチームを区別する7次元プロファイルを提供する。
研究の対象は人間の行動よりもフレームワークの妥当性にあるため、評価は観察されたカバレッジクレームよりも導出される。
論文 参考訳（メタデータ） (2026-07-01T19:31:02Z) - AutoRAS: Learning Robust Agentic Systems with Primitive Representations [24.053606410215128]
AutoRASは、堅牢なエージェントシステムの自動設計のためのフレームワークである。
実験の結果、AutoRASはバニラと敵の両方で最高のパフォーマンスを達成していることがわかった。
論文 参考訳（メタデータ） (2026-06-19T14:05:37Z) - Don't Gamble, GAMBLe: An Analytical Framework for AI-Driven Research Systems [0.0]
GAMBLeは,ADRSの動作を4つのパラメータに分解するフレームワークである。
単一のLLMから動的に適応するアンサンブルまで,760以上のレプリケーションされた実行環境上で,フレームワークを動作させる。
その結果、限られた予算(60回の実行)下であっても、適切なコンポーネントの選択は13～67%、検索効率は6～39倍向上することがわかった。
論文 参考訳（メタデータ） (2026-06-01T20:26:28Z) - Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。
LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
論文 参考訳（メタデータ） (2026-05-27T23:48:01Z) - LLaMEA-SAGE: Guiding Automated Algorithm Design with Structural Feedback from Explainable AI [4.440668887299803]
大規模言語モデルは、自然言語プロンプトから直接最適化アルゴリズムを生成することにより、自動アルゴリズム設計(AAD)を可能にした。
生成したアルゴリズムの抽象構文木から抽出したグラフ理論および複雑性特徴から構築したフィードバックを用いてAADを誘導する機構を提案する。
提案手法は,小制御実験においてバニラLLaMEAよりも高速に動作可能であることを示す。
論文 参考訳（メタデータ） (2026-01-29T10:27:29Z) - ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
6Gネットワークは複雑な層間最適化に依存している。
数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。
我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
論文 参考訳（メタデータ） (2026-01-27T13:43:59Z) - 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) - Gödel Agent: A Self-Referential Agent Framework for Recursive Self-Improvement [112.04307762405669]
G"odel AgentはG"odelマシンにインスパイアされた自己進化型フレームワークである。
G"odel Agentは、パフォーマンス、効率、一般化性において手作業によるエージェントを上回る、継続的な自己改善を実現することができる。
論文 参考訳（メタデータ） (2024-10-06T10:49:40Z)
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。