Fugu-MT 論文翻訳(概要): When AI Designs AI: Innovation or Imitation?

論文の概要: When AI Designs AI: Innovation or Imitation?

arxiv url: http://arxiv.org/abs/2608.17471v1
Date: Tue, 18 Aug 2026 07:57:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-19 21:40:53.258565
Title: When AI Designs AI: Innovation or Imitation?
Title（参考訳）: AIがAIを設計する時 - イノベーションか模倣か?
Abstract要約: 本稿では,人間設計法からタスク固有のアルゴリズム設計空間を導出する手法を提案する。アルゴリズムの差分をモジュールレベルで定量化する。実験の結果,現行のエージェントは時折ヒトのSOTA(State-of-the-art)のパフォーマンスにマッチするか,上回っていることがわかった。
参考スコア（独自算出の注目度）: 3.878545210262482
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent advances in LLM agents have made them increasingly capable of designing methods for complex AI tasks. This raises two central questions about agent-designed methods relative to human-designed methods: how well they perform, and how different their algorithmic designs are. To study these questions, this paper introduces an analysis that derives task-specific algorithmic design spaces from human-designed methods, maps both human- and agent-designed methods into these spaces, and quantifies their algorithmic differences at the module level. Widely used LLM agents are evaluated on a suite of representative, open-ended AI tasks spanning multiple modalities, and the methods they design are analyzed in terms of both task performance and algorithmic differences from human-designed methods. Experimental results show that current agents can occasionally match or surpass human state-of-the-art (SOTA) performance (10/72 configurations), but such success does not generalize reliably across tasks or agents. Moreover, 96.8% of agent-designed methods fall within human-derived algorithmic design spaces, largely recombining algorithmic choices found in human-designed methods, while nearly half exactly match an existing human algorithmic design. Taken together, these findings suggest that although current agents can occasionally match or surpass human SOTA performance, their algorithmic designs remain within human-derived algorithmic design spaces, reflecting the reuse and recombination of algorithmic choices.
Abstract（参考訳）: LLMエージェントの最近の進歩により、複雑なAIタスクのためのメソッドを設計する能力が増している。これにより、エージェント設計の手法と人間設計の手法に関する2つの中心的な疑問が提起される。そこで本研究では,タスク固有のアルゴリズム設計空間を人間設計法から導出し,人間設計法とエージェント設計法の両方をこれらの空間にマッピングし,モジュールレベルでのアルゴリズム差を定量化する手法を提案する。広く使われているLLMエージェントは、複数のモダリティにまたがる代表的でオープンなAIタスクのスイートで評価され、それらが設計するメソッドは、タスクのパフォーマンスと、人間設計の手法とのアルゴリズム的差異の両方の観点から分析される。実験結果から,現在のエージェントは人間のSOTA(State-of-the-art)のパフォーマンス(10/72構成)と時折一致または上回ることができるが,その成功はタスクやエージェントをまたいで確実に一般化するものではない。さらに、エージェント設計手法の96.8%は人間由来のアルゴリズム設計空間に該当し、人間設計手法で見られるアルゴリズムの選択をほとんど組み換える一方で、半分近くは既存の人間のアルゴリズム設計と完全に一致している。これらの結果は、現在のエージェントは人間のSOTA性能と時折一致または上回ることができるが、アルゴリズム設計は人間由来のアルゴリズム設計空間に留まり、アルゴリズム選択の再利用と再結合を反映していることを示唆している。

関連論文リスト

Advancing Automated Algorithm Design via Evolutionary Stagewise Design with LLMs [69.91297564489464]
EvoStageは、産業規模のアルゴリズム設計の厳密な要求とLLMベースのアルゴリズム設計のギャップを埋める新しい進化パラダイムである。 EvoStageは、アルゴリズム設計プロセスを逐次的に管理可能なステージに分解し、リアルタイム中間フィードバックを反復的に洗練されたアルゴリズム設計方向に統合する。商用グレードの3Dチップ配置ツールにデプロイすると、EvoStageはオリジナルのパフォーマンス指標を大幅に上回り、記録破りの効率を達成する。
論文参考訳（メタデータ） (2026-03-09T05:13:44Z)
Rethinking Code Similarity for Automated Algorithm Design with LLMs [16.918736214353814]
大言語モデルに基づく自動アルゴリズム設計(LLM-AAD)は、専門家レベルのアルゴリズムのコード実装を自律的に生成することでアルゴリズム開発を変革した。本稿では,問題解決行動のレンズを通して,アルゴリズムの類似性を測定する新しい手法であるBehaveSimを提案する。動的時間ワープ(DTW)を使用してPSTrajs間のアライメントを定量化することにより、BehaveSimは、構文的あるいは出力レベルの類似性にもかかわらず、分岐論理によるアルゴリズムを区別する。
論文参考訳（メタデータ） (2026-03-03T09:25:53Z)
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)
Position: We Need An Algorithmic Understanding of Generative AI [7.425924654036041]
本稿では,LLMが学習・使用するアルゴリズムを体系的に研究するためのフレームワークであるAlgEvalを提案する。 AlgEvalは、潜在表現、注意、推論時間計算に反映されるアルゴリズムプリミティブと、タスク固有の問題を解決するアルゴリズム構成を明らかにすることを目的としている。
論文参考訳（メタデータ） (2025-07-10T08:38:47Z)
Time-Series Forecasting in Smart Manufacturing Systems: An Experimental Evaluation of the State-of-the-art Algorithms [0.0]
TSFは製造を含む様々な領域で成長している。本研究の目的は、13の製造データセット上でのSoTA TSFアルゴリズムの評価により、このギャップを埋めることである。
論文参考訳（メタデータ） (2024-11-26T15:10:31Z)
Designing Algorithms Empowered by Language Models: An Analytical Framework, Case Studies, and Insights [86.06371692309972]
本研究では,大規模言語モデル(LLM)に基づくアルゴリズムの設計と解析のための分析フレームワークを提案する。提案する枠組みは頭痛を緩和する試みとして機能する。
論文参考訳（メタデータ） (2024-07-20T07:39:07Z)
Algorithm Evolution Using Large Language Model [18.03090066194074]
大規模言語モデル(AEL)を用いた進化的アルゴリズムを提案する。 AELはモデルトレーニングなしでアルゴリズムレベルの進化を行う。人間の努力とドメイン知識の要求は大幅に削減できる。
論文参考訳（メタデータ） (2023-11-26T09:38:44Z)
A survey on multi-objective hyperparameter optimization algorithms for Machine Learning [62.997667081978825]
本稿では,多目的HPOアルゴリズムに関する2014年から2020年にかけての文献を体系的に調査する。メタヒューリスティック・ベース・アルゴリズムとメタモデル・ベース・アルゴリズム,および両者を混合したアプローチを区別する。また,多目的HPO法と今後の研究方向性を比較するための品質指標についても論じる。
論文参考訳（メタデータ） (2021-11-23T10:22:30Z)
Identifying Co-Adaptation of Algorithmic and Implementational Innovations in Deep Reinforcement Learning: A Taxonomy and Case Study of Inference-based Algorithms [15.338931971492288]
我々は、アルゴリズムの革新と実装決定を分離するために、一連の推論に基づくアクター批判アルゴリズムに焦点を当てる。実装の詳細がアルゴリズムの選択に一致すると、パフォーマンスが大幅に低下します。結果は、どの実装の詳細がアルゴリズムと共適応され、共進化しているかを示す。
論文参考訳（メタデータ） (2021-03-31T17:55:20Z)
A Two-stage Framework and Reinforcement Learning-based Optimization Algorithms for Complex Scheduling Problems [54.61091936472494]
本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
論文参考訳（メタデータ） (2021-03-10T03:16:12Z)
An AI-Assisted Design Method for Topology Optimization Without Pre-Optimized Training Data [68.8204255655161]
トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
論文参考訳（メタデータ） (2020-12-11T14:33:27Z)

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。