論文の概要: AutoTailor: Automatic, User-Aligned Capability Selection and Adaptation for Web Agents
- arxiv url: http://arxiv.org/abs/2609.13548v1
- Date: Fri, 11 Sep 2026 21:24:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.391134
- Title: AutoTailor: Automatic, User-Aligned Capability Selection and Adaptation for Web Agents
- Title（参考訳）: AutoTailor: Webエージェントの自動ユーザ指向機能選択と適応
- Abstract要約: AutoTailorは、MCP(Model Context Protocol) APIのコンパクトなセットの構築とメンテナンスのためのフレームワークである。
オフラインでは、AutoTailorはWebトラジェクトリをパラメータ化されたブラウザ自動プログラムに変換する。
Dynamic Reselectionは、タスク結果とAPI使用状況を監視し、繰り返し発生するカバレッジギャップを特定し、関連する候補を追加し、永続的に使用されない機能を示す。
- 参考スコア（独自算出の注目度）: 0.9558392439655014
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Web agents can utilize reusable tools to reduce the cost and latency of low-level browser interaction, but automatically discovered tool collections can be large, redundant, and poorly aligned with user demand. We present AutoTailor, a meta-agentic framework for constructing and maintaining a compact set of trajectory-derived Model Context Protocol (MCP) APIs. Offline, AutoTailor converts web trajectories into parameterized browser-automation programs, applies a Quality Filter to remove APIs with unsuitable granularity and redundant functionality, and applies a Usage Likelihood Filter to prioritize broadly useful capabilities while preserving semantic coverage. Online, Dynamic Reselection monitors task outcomes and API usage, identifies recurring coverage gaps, adds relevant candidates, and prunes persistently unused capabilities. We evaluate AutoTailor on 106 WebArena Postmill tasks. Offline filtering reduces the initial 1,283 unrefined APIs to 87, and Dynamic Reselection produces a 33-API set. With reasoning and acting (ReAct) fallback, this set achieves 90.6% correctness, compared with 87.5% for ReAct alone, while reducing average total request-token cost by 57.8% and latency by 29.4%. Without ReAct, it achieves 60.1% correctness, marginally matching the performance of unrefined set, while reducing request-token usage by 94.9%. Together, these results show that static filtering produces a compact inventory of APIs expected to support core, high-likelihood tasks, while dynamic reselection further tailors that inventory to observed user needs. This combination improves accuracy and latency while sharply reducing token usage and end-to-end cost, demonstrating the value of user-aligned capability management for efficient web agents.
- Abstract（参考訳）: Webエージェントは、再利用可能なツールを使用して、低レベルのブラウザインタラクションのコストとレイテンシを低減することができる。
本稿では,トラジェクトリから派生したモデルコンテキストプロトコル(MCP)のコンパクトなセットを構築し,維持するためのメタエージェントフレームワークであるAutoTailorを提案する。
オフラインでは、Webトラジェクトリをパラメータ化されたブラウザ自動プログラムに変換し、Quality Filterを適用して、不適切な粒度と冗長な機能を持つAPIを削除し、Usage Likelihood Filterを使用して、セマンティックカバレッジを維持しながら、広く有用な機能を優先する。
オンラインのDynamic Reselectionは、タスク結果とAPI使用状況を監視し、繰り返し発生するカバレッジギャップを特定し、関連する候補を追加し、永続的に使用されない機能を示す。
我々はAutoTailorをWebArena Postmillタスク106で評価する。
オフラインフィルタリングは、最初の1,283の未精製APIを87に削減し、Dynamic Reselectionは33APIセットを生成する。
推論と演技(ReAct)のフォールバックにより、このセットは、ReAct単独で87.5%と90.6%の正確さを達成し、平均的な要求トーケンコストを57.8%削減し、レイテンシを29.4%削減した。
ReActがなければ、60.1%の正確性を実現し、未精細セットのパフォーマンスとほぼ一致し、リクエストトケン使用率を94.9%削減する。
これらの結果から、静的フィルタリングは、中核的で高機能なタスクをサポートすることが期待されるAPIのコンパクトなインベントリを生成する一方、動的リセレクションは、観察されたユーザニーズに合わせてインベントリを更に調整することを示している。
この組み合わせは、トークン使用量とエンドツーエンドコストを大幅に削減しつつ、精度とレイテンシを改善し、効率的なWebエージェントに対するユーザ整合性管理の価値を実証する。
関連論文リスト
- Beyond Retrieval: Query-Conditioned Reuse of Long-Horizon Agent Trajectories [16.13133177152883]
Retrievalは、重要かもしれない過去の軌跡を特定することができるが、ユーザー、エンティティ、制約、環境状態が変わった後、エージェントがその軌跡をどのように使うべきかは明記していない。
我々は,この再検索後の再利用ステップを,長期記憶のボトルネックとして認識する。
クエリ条件の再利用(QCR)によってフレームワークをインスタンス化する。
論文 参考訳（メタデータ） (2026-08-13T05:39:49Z) - SING: Synthetic Intention Graph for Scalable Active Tool Discovery in LLM Agents [64.59100414726556]
大規模言語モデル(LLM)エージェントは、コンテキスト、ツール、マルチターン実行を管理するハーネスに依存している。
Retrieval-augmented Tool selectionは、自然な代替手段を提供するが、既存のワンショット検索方法は、独立したツール記述とエージェントの真のタスク意図との整合に失敗する。
我々は、ユーザ意図、ツール機能、ツールコラボレーションパターンをリンクするインテントツーオールグラフを構築する、意図認識型のアクティブツール発見フレームワークであるSINGを提案する。
論文 参考訳（メタデータ） (2026-06-15T11:37:37Z) - Auto-FlexSwitch: Efficient Dynamic Model Merging via Learnable Task Vector Compression [54.12624130407679]
タスクベクトルを3つのコンパクトなコンポーネントに分解するT-Switchを提案する。
次に,タスクベクトルを自動生成するトレーニングフリーマージスキームであるAuto-Switchを紹介する。
本稿では,高効率なタスクベクトル圧縮をサポートする動的モデルマージ手法であるAuto-FlexSwitchを提案する。
論文 参考訳（メタデータ） (2026-04-30T16:58:05Z) - CorrSteer: Generation-Time LLM Steering via Correlated Sparse Autoencoder Features [1.5874067490843806]
提案するCorrSteerは,サンプルの正しさとSAEのアクティベーションを推論時に生成したトークンから関連付けて特徴を選択する。
我々の研究は、言語モデルアプリケーション間での自動SAEステアリングのための効果的でスケーラブルなアプローチとして相関ベースの選択を確立する。
論文 参考訳（メタデータ） (2025-08-18T00:01:42Z) - Adaptive REST API Testing with Reinforcement Learning [54.68542517176757]
現在のテストツールは効率的な探索機構がなく、全ての操作とパラメータを等しく扱う。
現在のツールは、仕様にレスポンススキーマがない場合や、変種を示す場合に苦労している。
我々は、強化学習を取り入れた適応型REST APIテスト手法を提案し、探索中の操作を優先順位付けする。
論文 参考訳（メタデータ） (2023-09-08T20:27:05Z) - Automatic Attention Pruning: Improving and Automating Model Pruning
using Attentions [5.445935252764351]
プルーニングは、リソース制約のあるエッジデバイスにそれらをデプロイするために、ディープラーニングモデルを圧縮するための有望なアプローチである。
本稿では,適応型,注意型,構造化型プルーニング手法であるAutomatic Attention Pruning (AAP)を提案する。
論文 参考訳（メタデータ） (2023-03-14T02:47:57Z) - Adaptive Activation-based Structured Pruning [5.445935252764351]
プルーニングは、複雑なディープラーニングモデルを圧縮してリソース制約のあるエッジデバイスにデプロイするための、有望なアプローチである。
本稿では, 適応型, アクティベーションベース, 構造化プルーニング手法を用いて, 小型, 高精度, ハードウェア効率のモデルを自動的に, 効率的に生成する手法を提案する。
包括的評価により, 提案手法は, 最先端の構造化プルーニング作業よりも大幅に優れることが示された。
論文 参考訳（メタデータ） (2022-01-21T22:21:31Z) - Non-Parametric Adaptive Network Pruning [125.4414216272874]
アルゴリズム設計を簡略化するノンパラメトリックモデリングを導入。
顔認識コミュニティに触発されて,メッセージパッシングアルゴリズムを用いて,適応的な例示数を求める。
EPrunerは「重要」フィルタを決定する際にトレーニングデータへの依存を壊します。
論文 参考訳（メタデータ） (2021-01-20T06:18:38Z) - Real-Time Semantic Segmentation via Auto Depth, Downsampling Joint
Decision and Feature Aggregation [54.28963233377946]
本稿では,セグメンテーション戦略の自動化を目的として,AutoRTNetという共同検索フレームワークを提案する。
具体的には,ネットワーク深度とダウンサンプリング戦略を協調的に決定するハイパーセルと,自動マルチスケール機能アグリゲーションを実現するアグリゲーションセルを提案する。
論文 参考訳（メタデータ） (2020-03-31T14:02:25Z) - Filter Sketch for Network Pruning [184.41079868885265]
事前学習したネットワーク重み(フィルタ)の情報保存による新しいネットワークプルーニング手法を提案する。
われわれのアプローチは、FilterSketchと呼ばれ、事前訓練された重みの2次情報を符号化する。
CIFAR-10の実験では、FilterSketchはFLOPの63.3%を削減し、ネットワークパラメータの59.9%を無視できる精度で削減している。
論文 参考訳（メタデータ） (2020-01-23T13:57:08Z)
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。