論文の概要: Beyond the Vacuum: Combinatorial Strategy Selection for Competitor-Aware Generative Engine Optimization

• arxiv url: http://arxiv.org/abs/2608.27631v1
• Date: Thu, 27 Aug 2026 19:12:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.13025
• Title: Beyond the Vacuum: Combinatorial Strategy Selection for Competitor-Aware Generative Engine Optimization
• Title（参考訳）: 真空を超えて:競争相手を考慮した生成エンジン最適化のための組合せ戦略選択
• Abstract要約: 我々は,ジェネレーティブエンジン最適化を競合対応戦略選択問題として定式化する。 我々は、BOCSのブラックボックス観測から好みのペアとグラウンドド推論トレースを生成し、言語モデルを微調整する。 我々は,既存のエージェント的および単一ヒューリスティックな手法よりも,いくつかの印象的指標にまたがって最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 9.549637853677055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative Engine Optimization (GEO) has emerged as a novel paradigm for transforming content to increase visibility in Large Language Model (LLM) responses. Traditional GEO methods, however, select rewriting strategies in isolation, ignoring a critical externality: as adoption of content optimization grows, optimal strategies for rewriting content change. We formalize GEO as a competitor-aware strategy selection problem and propose a two-phase pipeline to solve it: (1) We use Bayesian Optimization of Combinatorial Structures (BOCS) to efficiently search the space of rewriting strategies, (2) We generate preference pairs and grounded reasoning traces from the BOCS black-box observations to fine-tune a language model to analyze a document corpus and propose optimal rewriting strategy combinations. We achieve state-of-the-art performance across several impression metrics over existing agentic and single-heuristic methods on both geo-bench and our synthetically augmented competitive dataset geo-bench_comp. Our method also transfers to multiple out-of-distribution datasets, proving effective across domains, queries, and document types.
• Abstract（参考訳）: ジェネレーティブエンジン最適化(GEO)は、大規模言語モデル(LLM)応答の可視性を高めるためにコンテンツを変換するための新しいパラダイムとして登場した。 しかし、従来のGEOメソッドは、コンテンツ最適化の採用が増加するにつれて、コンテンツ変更を書き換えるための最適な戦略である、重要な外部性を無視して、単独で書き直し戦略を選択する。 我々は,GEOを競合認識型戦略選択問題として定式化し,その解決に2段階のパイプラインを提案する。(1) ベイズ最適化の組合せ構造(BOCS)を用いて,書換え戦略の空間を効率的に探索し,(2) BOCSのブラックボックス観測から選好ペアとグラウンドド推論トレースを生成し,言語モデルを微調整して文書コーパスを解析し,最適な書換え戦略の組み合わせを提案する。 我々は,既存のエージェント的および単一ヒューリスティックな手法によるGeo-benchと,合成的に拡張された競合データセットGeo-bench_compの両面で,いくつかの印象指標の最先端性能を達成した。 また,本手法は複数のアウト・オブ・ディストリビューションデータセットに転送し,ドメイン,クエリ,ドキュメントタイプに対して有効性を示す。

関連論文リスト

• AgenticGEO: A Self-Evolving Agentic System for Generative Engine Optimization [32.13915434333156]
  AgenticGEOは、コンテンツ条件制御問題として最適化を定式化した自己進化型エージェントフレームワークである。 AgenticGEOは最先端のパフォーマンスを実現し、堅牢な転送可能性を示し、3つのデータセットで14のベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-03-02T16:13:13Z)
• IF-GEO: Conflict-Aware Instruction Fusion for Multi-Query Generative Engine Optimization [15.629165035222451]
  生成エンジンは、検索したソースから直接回答を合成することで、情報検索に革命をもたらす。 ソースの可視性の向上は、GEO(Generative Engine Optimization)と呼ばれる実用的な戦略である IF-GEOは、2つのフェーズから構成される「分枝変換」フレームワークである。 (i) 代表的な潜伏クエリから個別に最適化された選好をマイニングすること (ii) 競合認識命令融合による選好の調整によるガイド付き編集のためのグローバルリビジョン・ブループリントを合成すること。
  論文  参考訳（メタデータ） (2026-01-20T13:13:39Z)
• Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings [73.44599934855067]
  LookaHESは、動的で履歴に依存したコスト環境のために設計された非心筋BOフレームワークである。 LookaHESは、$H$-Entropy Searchのマルチステップ版と、パスワイズサンプリングとニューラルポリシー最適化を組み合わせたものだ。 私たちの革新は、構造化されたドメイン固有のアクションスペースを効果的にナビゲートするために、大きな言語モデルを含むニューラルポリシーの統合です。
  論文  参考訳（メタデータ） (2026-01-10T09:49:45Z)
• An Enhanced Model-based Approach for Short Text Clustering [58.60681789677676]
  Twitter、Google+、Facebookなどのソーシャルメディアの人気が高まり、短いテキストのクラスタリングがますます重要になっている。 既存の手法は、トピックモデルに基づくアプローチと深層表現学習に基づくアプローチの2つのパラダイムに大別することができる。 短文の空間性と高次元性を効果的に扱えるDirichlet Multinomial Mixture Model (GSDMM) のギブスサンプリングアルゴリズムを提案する。 さらなる改良を保証しているGSDMMのいくつかの側面に基づいて,さらなる性能向上を目的とした改良されたアプローチであるGSDMM+を提案する。
  論文  参考訳（メタデータ） (2025-07-18T10:07:42Z)
• Style Transfer with Multi-iteration Preference Optimization [27.5647739554034]
  強化学習と選好最適化の関係を考察する。 これらの手法に触発されて、我々は確立された嗜好最適化アプローチを改善した。 2つの一般的なテキストスタイル転送データセットを用いて,本モデルの評価を行った。
  論文  参考訳（メタデータ） (2024-06-17T14:20:53Z)
• Contextualization Distillation from Large Language Model for Knowledge Graph Completion [51.126166442122546]
  我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。 提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。 多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
  論文  参考訳（メタデータ） (2024-01-28T08:56:49Z)
• Adaptive Reconvergence-driven AIG Rewriting via Strategy Learning [7.269586271846072]
  書き換えは、回路の性能、パワー、面積を改善することを目的とした論理合成における一般的な手順である。 本稿では2つの重要な手法を組み合わせた適応的再収束駆動型AIG書き換えアルゴリズムを提案する。 実験の結果,提案手法は5.567%,5.327%の精度向上を達成できた。
  論文  参考訳（メタデータ） (2023-12-22T09:03:33Z)
• Bidirectional Looking with A Novel Double Exponential Moving Average to Adaptive and Non-adaptive Momentum Optimizers [109.52244418498974]
  我々は,新しいtextscAdmeta(textbfADouble指数textbfMov averagtextbfE textbfAdaptiveおよび非適応運動量)フレームワークを提案する。 我々は、textscAdmetaR と textscAdmetaS の2つの実装を提供し、前者は RAdam を、後者は SGDM をベースとしています。
  論文  参考訳（メタデータ） (2023-07-02T18:16:06Z)
• Domain Adaptive Person Re-Identification via Coupling Optimization [58.567492812339566]
  ドメイン適応型人物再識別(ReID)は、ドメインのギャップとターゲットシナリオに対するアノテーションの不足のために困難である。 本稿では,ドメイン不変写像 (DIM) 法とグローバル局所距離最適化 (GLO) を含む結合最適化手法を提案する。 GLOはターゲットドメインの教師なし設定でReIDモデルをトレーニングするために設計されている。
  論文  参考訳（メタデータ） (2020-11-06T14:01:03Z)
• Dynamic Data Selection and Weighting for Iterative Back-Translation [116.14378571769045]
  本稿では,反復的バックトランスレーションモデルのためのカリキュラム学習戦略を提案する。 我々は、ドメイン適応、低リソース、高リソースMT設定に関するモデルを評価する。 実験の結果,提案手法は競争基準値よりも最大1.8 BLEU点の改善を達成できた。
  論文  参考訳（メタデータ） (2020-04-07T19:49:58Z)

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。