論文の概要: AutoLR: Automating the Path from Research to Launch Review in Industrial Recommender Systems

• arxiv url: http://arxiv.org/abs/2609.04871v1
• Date: Fri, 04 Sep 2026 08:30:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.976615
• Title: AutoLR: Automating the Path from Research to Launch Review in Industrial Recommender Systems
• Title（参考訳）: AutoLR:産業用レコメンダシステムにおける研究から開始までの道のりの自動化
• Authors: Qi Zhang, Yanlin Chen, Wenchao Xiao,
• Abstract要約: NetEaseのゲームコミュニティアプリである textbfDASHEN では、エンジニアが研究論文や技術レポート、先行生産実験から期待できる方向を特定する。 有望な候補者はオンラインA/Bテストに進み、確固たる利得を示す者はLaunch Reviewに提出される。 最初はtextbfAuto Launch Review として開発された textbfAutoLR を,その後上流に拡張して,自律的な研究からローンチまでのハーネスを提供する。
• 参考スコア（独自算出の注目度）: 7.383658399787325
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Improving an industrial recommender is an iterative research-and-engineering process rather than a direct path from idea to deployment. In \textbf{DASHEN, NetEase's gaming-community app}, algorithm engineers typically identify promising directions from research papers, technical reports, and prior production experiments; reproduce or adapt the underlying methods; implement them in the production codebase; and evaluate the resulting models through training and offline experiments. Promising candidates are then advanced to online A/B tests, and those demonstrating robust gains are submitted to Launch Review---the internal gate for full-traffic rollout. Large language models (LLMs) can assist with individual stages of this workflow, but the overall process remains human-dependent without a harness that can reliably coordinate them across long-running, often multi-day experimental cycles. We present \textbf{AutoLR}, initially built as \textbf{Auto Launch Review} and later extended upstream into an autonomous research-to-launch harness. AutoLR combines three system mechanisms: a \textbf{multi-expert council} that debates and adversarially reviews proposals; a \textbf{deterministic evidence-weighted exploration--exploitation selector} that allocates a limited trial budget across candidate directions and uses Council reranking; and a layered knowledge system that combines external research, production-system knowledge, and DASHEN-specific domain knowledge---such as game communities, player characteristics, and content-interaction patterns---with posterior evidence from configurations, patches, logs, failures, and offline outcomes. LLM agents perform semantic reasoning and code generation, while deterministic controllers retain authority over execution, metric extraction, guardrails, and persistent state transitions.
• Abstract（参考訳）: インダストリアルレコメンダの改善は、アイデアからデプロイメントへの直接的なパスではなく、反復的な研究開発プロセスである。 NetEaseのゲームコミュニティアプリである \textbf{DASHEN では、アルゴリズムエンジニアが研究論文や技術レポート、以前の生産実験から期待できる方向を識別し、基礎となるメソッドを再現または適応し、実運用コードベースで実装し、トレーニングやオフライン実験を通じて結果のモデルを評価する。 有望な候補者はオンラインA/Bテストに進み、確固たる利得を示す者はLaunch Reviewに提出される。 大規模言語モデル(LLM)はこのワークフローの個々の段階を支援することができるが、全体的なプロセスは長く、しばしば複数日間の実験サイクルでそれらを確実に調整できるハーネスなしでは人間に依存しない。 最初は‘textbf{Auto Launch Review’として構築され、その後上流に拡張され、自律的な研究からローンチへのハーネスとなった。 AutoLRは3つのシステムメカニズムを組み合わせる: 提案を議論し、反対にレビューする \textbf{multi-expert Council} と、候補方向を越えて限られた試験予算を割り当てる \textbf{deterministic evidence-weighted Explor-exploitation selector} と、外部研究、生産システム知識、DASHEN固有のドメイン知識(ゲームコミュニティ、プレイヤー特性、コンテンツ-インタラクションパターンなど)を組み合わせた階層化された知識システム。 LLMエージェントはセマンティック推論とコード生成を行い、決定論的コントローラは実行、メートル法抽出、ガードレール、永続状態遷移の権限を保持する。

関連論文リスト

• AgentX: Towards Agent-Driven Self-Iteration of Industrial Recommender Systems [82.01232437066487]
  AgentXはプロダクションデプロイされたマルチエージェントシステムで、このプロダクション機能を再構築する。 自律的に生成し、実装し、評価し、レコメンデーション実験から学ぶ。 AgentXは4つの密結合したステージをクローズドループでオーケストレーションする。
  論文  参考訳（メタデータ） (2026-06-25T10:42:28Z)
• NanoResearch: Co-Evolving Skills, Memory, and Policy for Personalized Research Automation [59.19858972597063]
  LLMを利用したマルチエージェントシステムは、アイデアから論文執筆までの完全な研究パイプラインを自動化できるようになったが、根本的な疑問が残る。 我々は,三段階共進化によってこれらのギャップに対処するマルチエージェントフレームワークであるNanoResearchを提案する。 技能銀行は、繰り返しの業務をプロジェクト間で再利用可能なコンパクトな手続き規則に蒸留する。 メモリモジュールは、各ユーザの研究履歴における計画決定の基礎となる、ユーザとプロジェクト特有のエクスペリエンスを維持します。 ラベルフリーポリシー学習は、自由形式のフィードバックをプランナーの永続パラメータ更新に変換し、その後の調整を再構築する。
  論文  参考訳（メタデータ） (2026-05-11T16:33:47Z)
• AI-Supervisor: Autonomous AI Research Supervision via a Persistent Research World Model [1.14219428942199]
  既存の自動研究システムは、ステートレスでリニアなパイプラインとして動作する。 マルチエージェントオーケストレーションフレームワークである textbfAI-Supervisor を提案する。 エージェントは、人間の関心によって駆動されるエンドツーエンドのAI研究の監督を提供する。
  論文  参考訳（メタデータ） (2026-03-25T15:16:51Z)
• KompeteAI: Accelerated Autonomous Multi-Agent System for End-to-End Pipeline Generation for Machine Learning Problems [36.17807193758863]
  KompeteAIは、動的ソリューション空間探索を備えた新しいAutoMLフレームワークである。 我々は動的ソリューション空間探索を備えた新しいAutoMLフレームワークであるKompeteAIを紹介する。 我々は,MLE-Benchにおける制約に対応するために,Kompete-benchを提案する。
  論文  参考訳（メタデータ） (2025-08-13T20:29:56Z)
• Thinking Longer, Not Larger: Enhancing Software Engineering Agents via Scaling Test-Time Compute [61.00662702026523]
  より大規模なモデルではなく、推論時間の増加を活用する統合されたテスト時間計算スケーリングフレームワークを提案する。 当社のフレームワークには,内部TTCと外部TTCの2つの補完戦略が組み込まれている。 当社の textbf32B モデルは,DeepSeek R1 671B や OpenAI o1 など,はるかに大きなモデルを上回る 46% の課題解決率を実現している。
  論文  参考訳（メタデータ） (2025-03-31T07:31:32Z)

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。