論文の概要: What Makes Good Agentic Data? An ACE Lens on Data Generation for LLM Agents

• arxiv url: http://arxiv.org/abs/2608.27260v1
• Date: Thu, 27 Aug 2026 15:43:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.473911
• Title: What Makes Good Agentic Data? An ACE Lens on Data Generation for LLM Agents
• Title（参考訳）: 優れたエージェントデータとは何か? LLMエージェントのデータ生成のためのACEレンズ
• Abstract要約: LLMエージェントは、外部環境とのインタラクションの方法を学ぶために、生成されるインタラクションデータにますます依存している。 既存の作業は多くのエージェントドメインにまたがっているが、ドメイン中心の組織と不均一な評価はしばしば共通生成機構を曖昧にしている。 この研究は、この分野のための2段階のフレームワークを開発する。
• 参考スコア（独自算出の注目度）: 81.23160457293714
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: LLM agents increasingly rely on generated interaction data to learn how to interact with external environments. Agentic data generation must maintain consistency among environments, tasks, interactions, and success signals while producing experience that is useful rather than merely abundant. Existing work spans many agent domains, but domain-centered organization and heterogeneous evaluation often obscure common generation mechanisms and conflate candidate construction with verification and selection. This work develops a two-level framework for the field. First, we represent agentic data as a common factorized object $(E,q,τ,v)$, comprising an environment specification, task signal, interaction realization, and optional verifier. We organize generation paradigms by their primary anchor and dependency structure. Second, we formulate generation as constrained distribution design through the Accuracy-Complexity-divErsity (ACE) lens. Accuracy establishes the feasible support of grounded and internally consistent data. Within this support, Complexity places learning mass relative to the capability of a declared learner and execution configuration, while divErsity controls coverage and redundancy of data. Using this framework, we explore how prior work verifies generated experience, constructs and calibrates difficulty, and expands behavioral coverage. The literature reveals a shift toward execution-grounded accuracy, learner-relative complexity, and diversity beyond surface variation or dataset size. We further discuss broader directions and emerging trends in agentic data generation through the ACE lens, including their implications for scaling, data sources, training regimes and adaptive learning. Overall, the central challenge is not simply to generate more data, but to continually allocate valid, informative, and non-redundant experience as agents and environments evolve.
• Abstract（参考訳）: LLMエージェントは、外部環境とのインタラクションの方法を学ぶために、生成されるインタラクションデータにますます依存している。 エージェントデータ生成は環境、タスク、インタラクション、成功信号間の一貫性を維持しながら、単に豊富なだけでなく有用なエクスペリエンスを生成する必要がある。 既存の作業は多くのエージェントドメインにまたがるが、ドメイン中心の組織と不均一な評価はしばしば共通生成機構を曖昧にし、検証と選択による候補構築を詳述する。 この研究は、この分野のための2段階のフレームワークを開発する。 まず,エージェントデータを共通の因子化オブジェクト $(E,q,τ,v)$ として表現する。 生成パラダイムを,プライマリアンカーと依存性構造で整理する。 第二に、我々は、精度・複雑さ・ダイバーシティ(ACE)レンズを用いて、制約分布設計として生成を定式化する。 正確性は、グラウンドドおよび内部一貫性のあるデータの実現可能なサポートを確立する。 このサポートの中で、Complexityは、宣言された学習者と実行構成の能力に対する学習質量を配置し、divErsityはデータのカバレッジと冗長性を制御する。 このフレームワークを用いて、先行作業が生成した経験をどのように検証し、構成と校正が困難であることを検証し、行動カバレッジを拡大する方法について検討する。 この文献は、実行時の精度、学習者の相対的な複雑さ、表面の変化やデータセットサイズを超えた多様性へのシフトを明らかにしている。 さらに、ACEレンズによるエージェントデータ生成の方向性や、スケーリング、データソース、トレーニング体制、適応学習など、より広範なトレンドについて論じる。 全体としての課題は、単により多くのデータを生成するだけでなく、エージェントや環境が進化するにつれて、有効な、情報のない経験を継続的に割り当てることである。

関連論文リスト

• Scaling Agentic Capabilities via Grounded Interaction Synthesis [12.796216573698677]
  本稿では,多様な環境や複雑なタスクのスケーラブルな構築を自動化するフレームワークであるGarthed Agentic Interaction Synthesis (GAIS)を紹介する。 具体的には、機能的多様性と難易度を確保するために、実世界のモデルコンテキストプロトコル(MCP)サーバから派生したプロトコルアンコール環境を構築する。 BFCL、$2-Bench、ACEBenchの実験では、GAIS合成データが最先端のベースラインを大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2026-06-01T09:57:52Z)
• What's the next frontier for Data-centric AI? Data Savvy Agents [71.76058707995398]
  我々は、エージェントシステムの設計において、データに精通する能力が最優先すべきであると主張している。 本稿では,このビジョンを実現するための4つの重要な機能を提案する。プロアクティブデータ取得,ソフシフィケートデータ処理,インタラクティブテストデータ合成,連続的適応。
  論文  参考訳（メタデータ） (2025-11-02T17:09:29Z)
• FELA: A Multi-Agent Evolutionary System for Feature Engineering of Industrial Event Log Data [7.129004248608012]
  イベントログデータは、現代のデジタルサービスにとって最も価値のある資産の1つである。 AutoMLや遺伝的手法のような既存の機能エンジニアリングアプローチは、しばしば限定的な説明責任に悩まされる。 複雑なイベントログデータから有意義かつ高性能な特徴を自律的に抽出するマルチエージェント進化システムFELAを提案する。
  論文  参考訳（メタデータ） (2025-10-29T06:57:32Z)
• Autonomous Data Agents: A New Opportunity for Smart Data [50.02229219403014]
  DataAgentsは、自律的なデータから知識システムへのパラダイムシフトを表している、とReportは主張する。 DataAgentsは、複雑で非構造化されたデータをコヒーレントで行動可能な知識に変換する。 エージェントAIとデータ・トゥ・ナレッジシステムの収束が重要なトレンドとなっている理由を最初に検討する。
  論文  参考訳（メタデータ） (2025-09-23T06:46:41Z)
• Agent4FaceForgery: Multi-Agent LLM Framework for Realistic Face Forgery Detection [108.5042835056188]
  この作業では,2つの基本的な問題に対処するため,Agent4FaceForgeryを導入している。 人間の偽造の多様な意図と反復的なプロセスを捉える方法。 ソーシャルメディアの偽造に付随する複雑な、しばしば敵対的な、テキストと画像のインタラクションをモデル化する方法。
  論文  参考訳（メタデータ） (2025-09-16T01:05:01Z)
• DataEnvGym: Data Generation Agents in Teacher Environments with Student Feedback [62.235925602004535]
  DataEnvGymは、データ生成エージェントのための教師環境のテストベッドである。 エージェントとデータ生成エンジンを含むシーケンシャルな意思決定タスクとして、データ生成をフレーム化する。 学生は、生成されたデータに基づいて反復的に訓練され、評価され、各イテレーション後にエージェントにフィードバックが報告される。
  論文  参考訳（メタデータ） (2024-10-08T17:20:37Z)
• AgentOhana: Design Unified Data and Training Pipeline for Effective Agent Learning [98.26836657967162]
  textbfAgentOhanaは、さまざまなシナリオにまたがって、異なる環境からエージェントのトラジェクトリを集約する。 AIエージェント用に調整された大規模なアクションモデルである textbfxLAM-v0.1 は、さまざまなベンチマークで例外的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-23T18:56:26Z)
• Heterogeneous Domain Adaptation and Equipment Matching: DANN-based Alignment with Cyclic Supervision (DBACS) [3.4519649635864584]
  この研究は、サイクリック・スーパービジョン(DBACS)アプローチによるドメイン適応ニューラルネットワークを導入している。 DBACSはドメイン適応によるモデル一般化の問題、特に異種データに対処する。 この作業には、サブスペースアライメントや、異種表現を扱う多視点学習も含まれる。
  論文  参考訳（メタデータ） (2023-01-03T10:56:25Z)

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。