論文の概要: DynaContext: Self-Improving Dynamic Contextualization of Optimized Prompts for Heterogeneous Parameter Extraction

• arxiv url: http://arxiv.org/abs/2608.22014v1
• Date: Sat, 22 Aug 2026 15:36:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.556356
• Title: DynaContext: Self-Improving Dynamic Contextualization of Optimized Prompts for Heterogeneous Parameter Extraction
• Title（参考訳）: DynaContext: 不均一パラメータ抽出のための最適化プロンプトの自己改善動的文脈化
• Abstract要約: DynaContextはオフラインで最適化された抽出コアをGEPAやSkillOptで学習し、推論時コンテキスト適応とバリデーション付き自己改善を組み合わせたフレームワークである。 単一カテゴリのベンチマークでは、ベースプロンプトの平均精度は86.6%からスタンドアロンのSkillOpt設定で96.9%に向上している。 ヘテロジニアスな金のパラメータの事実が850を超えると、平均フィールドレベルのF1は最適化されていない非最適化の非最適化の制御で51.8%から59.2%に増加し、ダイナミックなデモのみである。
• 参考スコア（独自算出の注目度）: 19.58954600378567
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated prompt and skill optimization typically produces a single static instruction that is reused across inference instances until the next optimization cycle. However, this approach cannot adapt when the required context, constraints, and evidence vary from one instance to another. For instance, parameter extraction from electronic component descriptions breaks this assumption: resistors, capacitors, transistors, and connectors require different fields, unit constraints, and demonstrations, and each input provides a different evidence state. We introduce DynaContext, a framework that combines an offline-optimized extraction core, learned with GEPA or SkillOpt, with inference-time contextual adaptation and validation-gated self-improvement. DynaContext routes each item through internal, external, or fallback evidence paths and composes an item-specific prompt from the core, schema, evidence, unresolved fields, and validated demonstrations. Deterministic validation and an LLM judge gate every output, uncertain cases go to human review, and only human-verified corrections enter the demonstration memory. On a single-category benchmark, average accuracy increases from 86.6% for the base prompt to 96.9% for standalone SkillOpt and 98.6% for the best DynaContext configuration. Across 850 heterogeneous gold parameter facts, average field-level F1 increases from 51.8% for an unoptimized, demonstration-free control to 59.2% with dynamic demonstrations alone, 66.9% with the optimized core alone, and 71.0% with both. Holding the model fixed, the full configuration outperforms the deployed static-prompting pipeline by 17.3 F1 points on average.
• Abstract（参考訳）: 自動プロンプトとスキルの最適化は通常、次の最適化サイクルまで推論インスタンス間で再利用される単一の静的命令を生成する。 しかし、必要なコンテキスト、制約、エビデンスがインスタンスによって異なる場合、このアプローチは適応できない。 例えば、電子部品記述からのパラメータ抽出は、この仮定を破る:抵抗、コンデンサ、トランジスタ、コネクタは異なるフィールド、ユニット制約、デモを必要とし、各入力は異なるエビデンス状態を提供する。 我々は,オフライン最適化抽出コアをGEPAやSkillOptと組み合わせたフレームワークであるDynaContextを紹介した。 DynaContextは、各アイテムを内部、外部またはフォールバックエビデンスパスにルーティングし、コア、スキーマ、エビデンス、未解決のフィールド、検証されたデモからアイテム固有のプロンプトを構成する。 決定論的検証とLCM判事は、すべての出力をゲートし、不確実なケースは人間のレビューに進み、人間によって検証された修正だけがデモメモリに入る。 単一カテゴリのベンチマークでは、ベースプロンプトの平均精度は86.6%からスタンドアロンのSkillOptでは96.9%、最高のDynaContext設定では98.6%に向上している。 ヘテロジニアスな金のパラメータの事実850点中、平均フィールドレベルのF1は、最適化されていない、デモのない制御では51.8%から、動的デモだけで59.2%、最適化されたコアだけで66.9%、両方で71.0%に増加した。 モデルを固定すると、完全な構成は、デプロイされた静的プロンプティングパイプラインを平均17.3 F1ポイント上回る。

関連論文リスト

• Ensembling LLMs for AI-Augmented Cybersecurity Software Requirements Generation [0.0]
  大規模言語モデル(LLM)は、サイバーセキュリティ要件のエンジニアリングを加速することができるが、単一の実行は信頼できない。 本研究では,情報検索型データフュージョン演算子を用いた後世代アンサンブル,アグリゲーション動作について検討する。 均一核融合報酬は、単にクロスラン合意であるのに対し、ネイブ・ベイズ核融合の重みは、それぞれ推定された信頼性によって実行される。
  論文  参考訳（メタデータ） (2026-09-09T15:22:20Z)
• Learning What to Fail On: Failure-Mode Contextual Bandits for Adversarial Data Curation [14.914697247710622]
  本稿では,自然言語理解における頑健性向上を目的とした,障害対応の逆探索強化フレームワークを提案する。 SNLIではRoBERTaベースの精度が88.48%から92.60%,ANLIでは75.04%から80.95%,MultiNLIでは54.67%から71.99%に向上した。 我々は、RoBERTa-largeを用いて、最大79.86%のFEVERスコアと82.45%の精度でFEVERの事実検証を行う。
  論文  参考訳（メタデータ） (2026-08-19T08:31:15Z)
• RESTOR: Automated Test Oracle Generation for RESTful APIs via Reinforcement Learning [21.927343858709122]
  Restorは、ブラックボックスの設定で単一のリクエスト-レスポンスペアから実行可能なテストアサーションを生成するフレームワークである。 実世界の246のサービスにまたがる2,300以上のAPIトレースからなる産業データセット上でRestorを評価する。
  論文  参考訳（メタデータ） (2026-07-27T03:20:28Z)
• Models Can Model, But Can't Bind: Structured Grounding in Text-to-Optimization [54.749573452394664]
  定式化自体が単純である場合でも、インスタンスデータが大きくなるにつれて精度が低下する。 我々は, 数値データを構造化ファイルに外部化する単純な推論時アプローチであるBINDを用いて, モデルがプロンプトプロンプトからではなく, データをバインドする。 我々は,モデルのみをバインディングのみに微調整することで仮説を検証し,3つの構造的に異なる最適化カテゴリにおいて,エンドツーエンドのSFTおよびRLよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-20T21:25:41Z)
• LLM-based Schema-Guided Extraction and Validation of Missing-Person Intelligence from Heterogeneous Data Sources [0.7734726150561088]
  行方不明者や子どもの安全に関する調査は、構造化フォーム、掲示板スタイルのポスター、物語ウェブプロファイルなど、異種ケース文書に依存している。 レイアウト、用語、データ品質の変化は、急激なトリアージ、大規模分析、探索計画を妨げる。 本稿では、AIによる解析および正規化パイプラインであるGuardian Packを紹介し、マルチソース調査文書を統一されたスキーマ準拠の表現に変換する。
  論文  参考訳（メタデータ） (2026-04-08T01:35:56Z)
• AutoMOOSE: An Agentic AI for Autonomous Phase-Field Simulation [0.0]
  AutoMOOSEは、ひとつの自然言語プロンプトから完全なシミュレーションライフサイクルを編成するエージェントフレームワークである。 MOOSEの入力ファイルは、人間の専門家参照と正確に一致する12のブロックのうち6つで、機能的に等価である。 インテント、有限要素実行、そして人間による検証のないアレニウス運動論にまたがる、エンドツーエンドの物理的整合性チェックを実行する。
  論文  参考訳（メタデータ） (2026-03-22T00:11:19Z)
• Rewiring Experts on the Fly:Continuous Rerouting for Better Online Adaptation in Mixture-of-Expert models [52.502867924372275]
  Mixture-of-Experts (MoE)モデルは、スパース専門家のアクティベーションを通じて効率的なスケーリングを実現するが、デプロイメントの分散シフトによる最適以下のルーティング決定に悩まされることが多い。 我々は、外部の監視やデータなしで、テキスト生成中にMoEルーティング決定を継続的に適用するテキストタデータフリーオンラインテストタイムフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-16T16:24:36Z)
• Unified modality separation: A vision-language framework for unsupervised domain adaptation [60.8391821117794]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付きソースドメインでトレーニングされたモデルが新しいラベル付きドメインを扱うことを可能にする。 本稿では,モダリティ固有成分とモダリティ不変成分の両方に対応可能な統一モダリティ分離フレームワークを提案する。 提案手法は,9倍の計算効率で最大9%の性能向上を実現している。
  論文  参考訳（メタデータ） (2025-08-07T02:51:10Z)
• Continual Adaptation: Environment-Conditional Parameter Generation for Object Detection in Dynamic Scenarios [54.58186816693791]
  環境は時間と空間によって常に変化し、クローズドセットの仮定に基づいて訓練された物体検出器にとって重要な課題となる。 そこで本研究では,微調整過程をパラメータ生成に変換する機構を提案する。 特に,2経路LoRAベースのドメイン認識アダプタを最初に設計し,特徴をドメイン不変およびドメイン固有コンポーネントに分解する。
  論文  参考訳（メタデータ） (2025-06-30T17:14:12Z)
• Combatting Dimensional Collapse in LLM Pre-Training Data via Diversified File Selection [65.96556073745197]
  DiverSified File selection algorithm (DiSF) は特徴空間における最も非相関なテキストファイルを選択するために提案される。 DiSFは590万のトレーニングファイルの98.5%をSlimPajamaに保存し、50Bのトレーニング予算内でのデータ事前トレーニングを上回っている。
  論文  参考訳（メタデータ） (2025-04-29T11:13:18Z)
• ProofAug: Efficient Neural Theorem Proving via Fine-grained Proof Structure Analysis [50.020850767257095]
  本稿では,LLMに様々な粒度で自動化手法を付加するProofAugを提案する。 本手法は,オープンソースのDeep-math-7bベースモデルとIsabelle証明アシスタントを用いて,MiniF2Fベンチマークで検証した。 また、ProofAugのLean 4バージョンを実装し、Kimina-Prover-seek-Distill-1.5Bのパス@1のパフォーマンスを44.3%から50.4%に改善します。
  論文  参考訳（メタデータ） (2025-01-30T12:37:06Z)
• Scaling & Shifting Your Features: A New Baseline for Efficient Model Tuning [126.84770886628833]
  既存の微調整法は、事前訓練されたモデルの全てのパラメータ(フル微調整)をチューニングするか、最後の線形層(線形プローブ)のみをチューニングする。 そこで本研究では,SSFと呼ばれるパラメータ効率の高いファインタニング手法を提案する。
  論文  参考訳（メタデータ） (2022-10-17T08:14:49Z)

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。