論文の概要: An Interactive Agent for Requirement-Driven Candidate Sourcing
- arxiv url: http://arxiv.org/abs/2608.23501v1
- Date: Mon, 24 Aug 2026 17:04:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:44.213106
- Title: An Interactive Agent for Requirement-Driven Candidate Sourcing
- Title（参考訳）: 要求駆動型候補ソーシングのための対話型エージェント
- Abstract要約: 最初の要件駆動型候補ソーシングエージェントであるsysを提示する。
それは、あいまいな人々の要求を正当化されたスレートに導き、検証し、回収し、検証する。
広さ (100%$カバレッジ 2.5times$ the yield) を支配し、フィールドに直交する。
- 参考スコア（独自算出の注目度）: 75.63902836826038
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Finding people from a natural-language description (``ML engineers transitioning to research roles in biotech'') is increasingly delegated to LLM agents and framed as information retrieval. We argue that it is fundamentally a requirements engineering task: such a request is an under-determined requirement with implicit constraints, many valid answers, and no acceptance criterion, so useful answers require eliciting, validating, and verifying the requirement before search can matter. We present \sys{}, to our knowledge the first interactive, requirements-driven candidate-sourcing agent (it elicits, validates, retrieves, and verifies a vague people-request into a justified slate through bounded elicitation, workflow templates, a two-stage commit protocol, and bidirectional termination guards) and \bench{}, a benchmark that runs the requirements lifecycle (criteria-anchored validation, multi-model evidence-grounded oracle construction, and cost-aware verification). Across $21$ systems and all $691$ requirements, \sys{} dominates breadth ($100%$ coverage at $2.5\times$ the yield) and is \emph{near-orthogonal} to the field, with $90%$ of the people it returns are surfaced by \emph{none} of $20$ strong LLM-plus-web baselines combined. Beyond breadth, an evidence-grounded judging of every system shows \sys{} \emph{recalls} the most relevant real people: $0.241$ of the union pool, $1.9\times$ the next system, with a bootstrap $95%$ interval disjoint from every baseline. \sys{} is thus the strongest \emph{sourcing} engine (the deepest real, reachable candidate pool), while precision-ranking LLMs serve as~complementary verifiers.
- Abstract（参考訳）: 自然言語による記述(‘MLの技術者がバイオテックにおける研究役割に移行する’)から人々を見つけることは、LLMエージェントに委譲され、情報検索の枠に置かれる。
このような要求は、暗黙の制約、多くの有効な回答、受け入れ基準のない未決定の要件であり、有用な答えは、検索が問題になる前に要求を検索し、検証する必要がある。
我々は,最初の対話型要件駆動型候補ソーシングエージェントである"sys{}"と,要件ライフサイクルを実行するベンチマークである"bench{}"(クライテリアアンカレッド検証,マルチモデルエビデンス・グラウンドド・オーラル・コンストラクション,コスト・アウェア・バリデーションなど)を提示する。
21ドルのシステムと691ドルの要件のすべてで、‘sys{}’は広さ(100%$カバレッジが2.5\times$ the yield)を独占し、‘emph{near-orthogonal’のフィールドは‘emph{near-orthogonal’で、返品した人の90%は‘emph{none}’という20ドル以上の強力なLCM+Webベースラインが混在している。
広さの他に、すべてのシステムのエビデンスを根拠とした判断では、最も関係のある現実の人物が \sys{} \emph{recalls} である:$0.241$ ユニオンプール、$1.9\times$ 次のシステム、ブートストラップ$95%$ インターバルはすべてのベースラインから分離される。
したがって \sys{} は最強の 'emph{sourcing} エンジン(最も深い実数、到達可能な候補プール)であり、精度の高い LLM は–補検証として機能する。
関連論文リスト
- Iris: Climbing to the Search Frontier [21.066541702697112]
我々は35B-A3Bスケールと397B-A17Bスケールでトレーニングされた2つの検索エージェントであるIris-miniとIris-proを紹介する。
論文 参考訳（メタデータ） (2026-09-03T17:51:01Z) - The geometry of AI validation: Exact certification limits for iid best-of-N search [0.0]
信頼性面上での検証とデプロイメントのルールをカーネルとして表現する。
B_m,N=1+2sum_r=1m(-1)rcos2Nr/[(m+1)]$
論文 参考訳（メタデータ） (2026-08-21T15:18:11Z) - What Do EEG Foundation Models Capture from Human Brain Signals? [64.48249643001402]
現代の脳波基礎モデルは、自己教師付き事前訓練を通じて生信号から直接学習する。
我々は3つのサブクエストに分解する: モデルが何を学習するか、モデルを何に使用するのか、そしてどのように説明できるのか。
3つの基礎モデル(CSBrain, CBraMod, LaBraM),5つの臨床タスク(MDD, Stress, ISRUC-Sleep, TUSL, Siena)と6ファミリー63機能レキシコンを含む。
論文 参考訳（メタデータ） (2026-05-12T01:57:53Z) - The Last Harness You'll Ever Build [9.741938550862034]
AIエージェントは、複雑でドメイン固有のアプリケーションにますますデプロイされる。
我々は、ハーネスエンジニアリングプロセスを自動化する2段階のフレームワークを提案する。
メタラーニングへの対応を形式化し、両方のアルゴリズムを提示する。
論文 参考訳（メタデータ） (2026-04-22T18:51:48Z) - PAR$^2$-RAG: Planned Active Retrieval and Reasoning for Multi-Hop Question Answering [57.89576196160413]
大規模言語モデル (LLM) はマルチホップ質問応答 (MHQA) において脆弱のままである。
textbfPlanned Active Retrieval and Reasoning RAG (PAR$2-RAG)を提案する。
論文 参考訳（メタデータ） (2026-03-30T23:52:54Z) - ConvexBench: Can LLMs Recognize Convex Functions? [70.53167848190624]
凸解析は数学の現代的な分野であり、多くの応用がある。
大規模言語モデル(LLM)が研究レベルの数学と科学を自動化し始めるにつれ、LLMが凸性を理解し、推論する能力を示すことが重要である。
我々は,LLMが深い機能的構成下での象徴的対象の凸性を識別できるかどうかを,スケーラブルで機械的に検証できるベンチマークであるcbを紹介する。
論文 参考訳（メタデータ） (2026-02-01T07:41:17Z) - Language Models May Verbatim Complete Text They Were Not Explicitly Trained On [97.3414396208613]
我々は、$n$-gram ベースのメンバシップ定義を効果的にゲームできることを示す。
会員定義に対して$n$の1つの実行可能な選択を見つけることは困難であることを示す。
以上の結果から,n$-gramの会員シップが不十分であることが示唆された。
論文 参考訳（メタデータ） (2025-03-21T19:57:04Z) - ProofWala: Multilingual Proof Data Synthesis and Theorem-Proving [53.67926215943612]
$rm P Small ROOFW Small ALA$は、ニューラル定理プローサと2つの確立された対話的証明アシスタント(ITP)間の相互作用を可能にする
私たちは、$rm P Small ROOFWsmall ALA$生成のCoqとLeanのデータの組み合わせでトレーニングされたモデルが、標準のprov-at-k$メトリック上で、Lean-onlyとCoq-onlyのモデルを上回っていることを示します。
論文 参考訳（メタデータ） (2025-02-07T05:35:46Z) - Federated Combinatorial Multi-Agent Multi-Armed Bandits [79.1700188160944]
本稿では,Banditを用いたオンライン最適化に適したフェデレーション学習フレームワークを提案する。
この設定では、エージェントのアームサブセットは、個々のアーム情報にアクセスせずにこれらのサブセットに対するノイズの多い報酬を観察し、特定の間隔で協力して情報を共有することができる。
論文 参考訳（メタデータ） (2024-05-09T17:40:09Z) - Sweeping Heterogeneity with Smart MoPs: Mixture of Prompts for LLM Task Adaptation [43.32632163091792]
大規模言語モデル(LLM)は、テキスト要約や数学的問題など、さまざまなタスクを解く能力を持つ。
計算コストが高いため、現在のトレンドは、プロンプトインストラクションチューニングを使用して、モノリシックで事前訓練されたLLMを、新しい-しかししばしば個別の-下流タスクのためによりよく調整することである。
MoPはマルチタスク、マルチソースシナリオにおいて、プロンプトトレーニングの"干渉"を同時に緩和することができる。
論文 参考訳（メタデータ） (2023-10-04T14:11:12Z) - Scaling Distributed Multi-task Reinforcement Learning with Experience
Sharing [38.883540444516605]
DARPAはShELLプログラムを立ち上げた。これは、経験共有が分散生涯学習エージェントにどのように役立つかを探求することを目的としている。
分散マルチタスク強化学習(RL)の理論的および実証的研究を行い、N$エージェントのグループがM$タスクを協調的に解決する。
我々はDistMT-LSVIと呼ばれるアルゴリズムを提案し、各エージェントは独立に$epsilon$-optimal Policyを全ての$M$タスクに対して学習する。
論文 参考訳（メタデータ） (2023-07-11T22:58:53Z)
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。