論文の概要: Agent2UCB: Agentic System for Generative Engine Optimization
- arxiv url: http://arxiv.org/abs/2608.29063v1
- Date: Sat, 29 Aug 2026 05:36:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.828833
- Title: Agent2UCB: Agentic System for Generative Engine Optimization
- Title（参考訳）: Agent2UCB: 生成エンジン最適化のためのエージェントシステム
- Abstract要約: Agent2UCBは、カスタマイズされたフィードバック駆動最適化を通じて、コンテンツの可視性を自律的に改善する。
各コンテンツ項目について、GEOの戦略を9つ評価し、最も効果的な方法を特定し、選択を加速する。
このシステムは、可読性、トピックのカバレッジ、EEATスタイルの信頼性をカバーする軽量でテキストのみのSEO準備性評価も提供する。
- 参考スコア（独自算出の注目度）: 39.812101274332385
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Large language model driven search engines such as Google AI Overviews and Perplexity have created new opportunities for Generative Engine Optimization (GEO) the practice of refining content to increase its likelihood of being cited or summarized by generative systems. We demonstrate Agent2UCB, an agentic GEO system that autonomously improves content visibility through customized, feedback-driven optimization. For each content item, the system evaluates nine GEO strategies, identifies the most effective method, and accelerates selection using a bandit-based Agent2UCB policy that integrates LLM priors with online reward signals. To monitor side effects, the system also provides a lightweight, text-only SEO readiness evaluation covering readability, topical coverage, and EEAT-style credibility. Experiments on GEO-Bench show consistent visibility gains while preserving SEO quality. The demo allows users to choose the websites of interest, observe the optimization workflow, and compare GEO/SEO outcomes across methods.
- Abstract（参考訳）: Google AI OverviewsやPerplexityなどの大規模言語モデル駆動検索エンジンは、生成エンジン最適化(GEO)のための新たな機会を生み出した。
本稿では,エージェントGEOシステムであるAgent2UCBについて紹介する。
各コンテンツ項目について、GEOの戦略を9つ評価し、最も効果的な方法を特定し、LLMの事前情報をオンライン報酬信号と統合したBanditベースのAgent2UCBポリシーを用いて選択を高速化する。
副作用を監視するため、システムは、可読性、トピックカバレッジ、EEATスタイルの信頼性をカバーする軽量でテキストのみのSEO準備性評価も提供する。
GEO-Benchの実験では、SEOの品質を維持しながら一貫した可視性向上を示した。
デモでは、興味のあるWebサイトを選択し、最適化ワークフローを観察し、メソッド間でGEO/SEO結果を比較することができる。
関連論文リスト
- Position: Generative Engine Optimization Creates Underexamined Risks, Governance Must Target Concentration, Disclosure, and Academic Blind Spots [16.91784231800219]
大規模言語モデル (LLM) 回答エンジンは情報検索にますます利用されている。
検索エンジン最適化(SEO)とGEO遷移を分析し,2つのリスクを同定する。
次に、一般的なGEOパイプラインを形式化し、最適化の動作場所を特定し、学術的および産業的なプラクティスを比較します。
論文 参考訳（メタデータ） (2026-05-18T02:02:54Z) - From Experience to Skill: Multi-Agent Generative Engine Optimization via Reusable Strategy Learning [18.351281487408176]
生成エンジン(GE)は、ランク付けされたリンクを引用グラウンドの回答に置き換えることで、情報アクセスを再構築している。
本稿では,マルチエージェントフレームワークであるMAGEOを提案する。
3つのメインストリームエンジンの実験では、MAGEOは可視性と励振の両面においてベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2026-04-21T14:39:24Z) - 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) - PerfGuard: A Performance-Aware Agent for Visual Content Generation [53.591105729011595]
PerfGuardは、ビジュアルコンテンツ生成のためのパフォーマンス対応のエージェントフレームワークである。
ツールのパフォーマンス境界をタスク計画とスケジューリングに統合する。
ツール選択の正確性、実行の信頼性、ユーザの意図との整合性にメリットがあります。
論文 参考訳（メタデータ） (2026-01-30T05:12:19Z) - SCOPE: Prompt Evolution for Enhancing Agent Effectiveness [53.75986399936395]
大規模言語モデル(LLM)エージェントは、大規模で動的なコンテキストを生成する環境にますますデプロイされている。
エージェントはこのコンテキストにアクセスできますが、静的なプロンプトには効果的に管理するメカニズムがありません。
textbfSCOPE (Self-evolving Context Optimization via Prompt Evolution) を導入する。
本稿では,戦術的特異性(即時誤りの解消)と戦略的汎用性(長期原則の進化)のバランスをとるデュアルストリーム機構を提案する。
論文 参考訳（メタデータ） (2025-12-17T12:25:05Z) - Caption Injection for Optimization in Generative Search Engine [15.472540238931202]
ジェネレーティブ検索エンジン(GSE)は検索拡張生成(RAG)技術とLarge Language Models(LLM)を活用する
本稿では,画像からキャプションを抽出し,テキストコンテンツに注入する,最初のマルチモーダルG-SEO手法であるCaption Injectionを提案する。
実験結果から, キャプションインジェクションはテキストのみのG-SEOベースラインをG-Evalで有意に上回ることがわかった。
論文 参考訳（メタデータ） (2025-11-06T05:37:27Z) - Role-Augmented Intent-Driven Generative Search Engine Optimization [9.876307656819039]
本稿では,G-SEO(Role-Augmented Intent-Driven Generative Search Engine Optimization)法を提案する。
提案手法は,多種多様な情報的役割にまたがるリフレクティブ・リフレクティブ・リファインメントによる検索意図をモデル化し,ターゲットコンテンツの強化を可能にする。
実験結果から,検索意図がコンテンツ最適化に有効な信号であることが示された。
論文 参考訳（メタデータ） (2025-08-15T02:08:55Z) - On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。
推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。
本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
論文 参考訳（メタデータ） (2025-04-02T17:40:47Z) - Large Language Model as a Catalyst: A Paradigm Shift in Base Station Siting Optimization [62.16747639440893]
大規模言語モデル(LLM)とその関連技術は、特に迅速な工学とエージェント工学の領域において進歩している。
提案するフレームワークは、検索拡張生成(RAG)を組み込んで、ドメイン固有の知識を取得してソリューションを生成するシステムの能力を高める。
論文 参考訳（メタデータ） (2024-08-07T08:43:32Z) - Exploring the Escalation of Source Bias in User, Data, and Recommender System Feedback Loop [65.23044868332693]
我々は,AIGC(AIGC)がレコメンダシステムの性能と力学に与える影響について検討する。
短期的には、AIGCに対する偏見はLLMベースのコンテンツ作成を促進し、AIGCコンテンツを増大させ、不公平なトラフィック分散を引き起こす。
長期コンテンツエコシステムのバランスを維持するため,L1-loss最適化に基づくデバイアス化手法を提案する。
論文 参考訳（メタデータ） (2024-05-28T09:34:50Z) - GEO: Generative Engine Optimization [50.45232692363787]
我々は、生成エンジン(GE)の統一的な枠組みを定式化する。
GEは大規模な言語モデル(LLM)を使用して情報を収集し、ユーザクエリに応答する。
生成エンジンは通常、複数のソースから情報を合成し、それらを要約することでクエリを満足する。
我々は、生成エンジン応答におけるコンテンツの可視性向上を支援するために、コンテンツ作成者を支援する最初の新しいパラダイムである生成エンジン最適化(GEO)を紹介する。
論文 参考訳（メタデータ） (2023-11-16T10:06:09Z)
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。