論文の概要: Inventory-Grounded Policy-Level Optimization for Training-Free AI Search

• arxiv url: http://arxiv.org/abs/2609.04813v1
• Date: Fri, 04 Sep 2026 07:10:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.955356
• Title: Inventory-Grounded Policy-Level Optimization for Training-Free AI Search
• Title（参考訳）: 学習自由AI検索のための発明型ポリシーレベル最適化
• Abstract要約: 我々は、固定AI検索パイプラインのトレーニング不要アプローチであるIGPO(Inventory-Grounded Policy-Level Optimization)を提案する。 IGPOは環境事実からポリシーを分離し、実行時の在庫証拠に対処するためのポリシーガイドラインを学習する。 オンラインのIGPOは、在庫を探索し、在庫の肖像画を構築し、関連するポリシーガイドラインを検索と選択のプロンプトに注入することで、各クエリをグラウンド化する。
• 参考スコア（独自算出の注目度）: 7.3235064200722535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early in deployment, an AI search system typically operates over a frequently updated product catalog, so the available items and their properties cannot be treated as stable knowledge that can be encoded in fixed prompts or strategies. Fine-tuning, reinforcement learning, and static prompt patches fit poorly: labels are scarce, rewards drift with inventory, model releases are costly, and prompt fixes quickly stale. We present Inventory-Grounded Policy-Level Optimization (IGPO), a training-free approach for fixed AI search pipelines. IGPO separates policy from environment facts: it learns Policy Guidelines for acting on runtime inventory evidence rather than memorizing available items. Online, IGPO grounds each query by probing the inventory and constructing an inventory portrait, then injects relevant Policy Guidelines into the retrieval and selection prompts. Offline, stochastic rollouts are grouped by query -- mixed outcome groups directly yield contrastive signal, and an inventory-guided exploration loop distinguishes missed retrieval routes from cases where no matching support is found under the observed inventory evidence. Since May 2026, IGPO has been deployed in a commercial smart-assistant AI search system. A 14-day online A/B test of the complete IGPO treatment shows a 3.17% relative CTR lift and a 38.9% reduction in audited bad cases.
• Abstract（参考訳）: デプロイメントの初期段階では、AI検索システムが頻繁に更新される製品カタログ上で運用されるため、利用可能なアイテムとそのプロパティは、固定されたプロンプトや戦略でエンコード可能な安定した知識として扱うことはできない。 微調整、強化学習、静的プロンプトパッチは、ラベルが不足し、在庫が枯渇し、モデルリリースがコストがかかり、即時修正が早まる。 我々は、固定AI検索パイプラインのトレーニング不要アプローチであるIGPO(Inventory-Grounded Policy-Level Optimization)を提案する。 IGPOは、利用可能なアイテムを記憶するのではなく、実行時の在庫証拠に対処するためのポリシーガイドラインを学習している。 オンラインのIGPOは、在庫を探索し、在庫の肖像画を構築し、関連するポリシーガイドラインを検索と選択のプロンプトに注入することで、各クエリをグラウンド化する。 混成結果群はコントラスト信号を直接生成し、在庫誘導探索ループは、観測された在庫証拠の下で一致するサポートが見つからない場合と、欠落した検索経路を区別する。 2026年5月以降、IGPOは商用のスマートアシスタントAIサーチシステムに配備されている。 完全なIGPO治療の14日間のオンラインA/Bテストでは、相対的なCTRリフトが3.17%、監査された悪いケースが38.9%減少している。

関連論文リスト

• Automated Design of Inventory Policy with Large Language Models: An Exploratory Study [2.256533893252747]
  本研究では,運用データ,最適化ツール,大規模言語モデル(LLM)を組み合わせた統合フレームワークを開発し,在庫政策設計を自動化する。 30個以上の在庫在庫は、ベースストックベンチマークと比較して平均的なコスト削減率を17.5%から10世代で37.5%に引き上げている。 発見された3つの政策クラスは10,064の新しい在庫インスタンスに対して21.75%から22.60%のコスト削減を実現している。
  論文  参考訳（メタデータ） (2026-09-08T00:27:56Z)
• A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
  本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。 A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
  論文  参考訳（メタデータ） (2026-08-05T14:01:10Z)
• LLM-as-a-Tutor: Policy-Aware Prompt Adaptation for Non-Verifiable RL [64.4276583943816]
  検証不能な指導のための強化学習は、報酬信号としてプロンプト固有のルーリックを持つ裁判官に依存している。 最近の手法は、トレーニング中にこれらのルーリックを進化するポリシーに適応させるが、トレーニングのプロンプト自体は静的のままである。 この静的なアプローチは、しばしば急激な困難と政策能力の間に重大なミスアライメントをもたらし、裁判官は差別的な報酬信号を取り戻すことができない。
  論文  参考訳（メタデータ） (2026-07-05T17:05:13Z)
• Effective Reinforcement Learning for Agentic Search by Recycling Zero-Variance Queries During Training [28.12666966542811]
  本研究では,将来的な再サンプリングのために,ゼロ分散グループを可変プールに返却するクエリリサイクルを提案する。 本稿では, リサイクルクエリが, 学習終了までに有効バッチの約4分の3を供給していることを示す。
  論文  参考訳（メタデータ） (2026-06-09T11:12:58Z)
• Agentic Trading: When LLM Agents Meet Financial Markets [10.275260358522809]
  本稿では,Large Language Models(LLM)をエキスパートシステム決定パイプラインとして再編成する。 一次経験的部分集合は、行動出力と閉ループ評価の最小限の境界を満たす。 中心的な経験的発見はプロトコルの非互換性である。
  論文  参考訳（メタデータ） (2026-05-19T04:20:07Z)
• SE-Search: Self-Evolving Search Agent via Memory and Dense Reward [87.79131676521656]
  Retrieval augmented generation (RAG)は、検索した外部知識を条件づけることにより、大規模言語モデル(LLM)における幻覚や事実エラーを低減する。 既存の手法は、無関係または騒々しい文書を蓄積し、希少な強化学習信号に依存することが多い。 我々は,3つのコンポーネントによるオンライン検索行動を改善するセルフ進化検索エージェントであるtextbfSelf-textbfEvolving textbfSearchを提案する。
  論文  参考訳（メタデータ） (2026-02-06T09:14:07Z)
• LEAPS: An LLM-Empowered Adaptive Plugin for Taobao AI Search [17.074638179635613]
  我々は,従来の検索システムを"Broaden-and-Empower"パラダイムでシームレスにアップグレードするLEAPS(LLM-Empowered Adaptive for Taobao AI Search)を提案する。 新たな3段階のトレーニング戦略 – 逆データ拡張,後知識による微調整,多様性を考慮した強化学習 – を採用して,適応的および補完的なクエリの組み合わせを生成する。 2025年8月以降、Taobao AI Searchに完全にデプロイされている。
  論文  参考訳（メタデータ） (2026-01-09T03:41:27Z)
• ARBITER: AI-Driven Filtering for Role-Based Access Control [0.2519906683279152]
  我々の実装では、階層化された入出力検証、ロール認識検索、世代後ファクトチェックが実装されている。 合成データセットを用いて389のクエリに対するアプローチを評価する。 その結果,RAGシステムへの実践的RBAC展開は,動的エンタープライズ環境に必要な成熟度レベルに近づいていることが示唆された。
  論文  参考訳（メタデータ） (2025-12-23T17:25:51Z)
• ORCHID: Orchestrated Retrieval-Augmented Classification with Human-in-the-Loop Intelligent Decision-Making for High-Risk Property [6.643427585499247]
  ORCHIDは、HRP分類のためのモジュール型エージェントシステムである。 検索強化世代(RAG)を人間の監視と組み合わせて、監査可能なポリシベースのアウトプットを生成する。 デモでは、単一項目の提出、接地された引用、中小企業のフィードバックキャプチャ、エクスポート可能な監査アーティファクトなどが紹介されている。
  論文  参考訳（メタデータ） (2025-11-07T03:48:05Z)
• Learning to Route: A Rule-Driven Agent Framework for Hybrid-Source Retrieval-Augmented Generation [55.47971671635531]
  大言語モデル(LLM)は、一般質問回答(QA)において顕著な性能を示した。 Retrieval-Augmented Generation (RAG)は、LLMを外部知識で強化することで、この制限に対処する。 既存のシステムは、主に構造化されていないドキュメントに依存しているが、主にリレーショナルデータベースを見下ろしている。
  論文  参考訳（メタデータ） (2025-09-30T22:19:44Z)
• Adaptive Information Seeking for Open-Domain Question Answering [61.39330982757494]
  本稿では,オープンドメイン質問応答,すなわちAISOに対する適応型情報探索手法を提案する。 学習方針によると、AISOは適切な検索行動を選択し、各ステップで行方不明の証拠を探すことができる。 AISOは、検索と回答の評価の両方の観点から、事前定義された戦略で全てのベースライン手法を上回ります。
  論文  参考訳（メタデータ） (2021-09-14T15:08:13Z)
• Meta-AAD: Active Anomaly Detection with Deep Reinforcement Learning [56.65934079419417]
  偽陽性率が高いことは、異常検出アルゴリズムの長年の課題である。 本稿では,クエリ選択のためのメタポリシーを学習する新しいフレームワーク,Meta-AAD(Active Anomaly Detection with Meta-Policy)を提案する。
  論文  参考訳（メタデータ） (2020-09-16T01:47:42Z)

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。