論文の概要: Verify, Don't Trust: Agentic Model Development for Video Discovery Retrieval at Scale

• arxiv url: http://arxiv.org/abs/2609.21257v1
• Date: Fri, 18 Sep 2026 03:04:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.839508
• Title: Verify, Don't Trust: Agentic Model Development for Video Discovery Retrieval at Scale
• Title（参考訳）: 信頼しない - 大規模ビデオ発見検索のためのエージェントモデル開発
• Abstract要約: 大規模言語モデル(LLM)エージェントはモデル変更を提案し、実装し、評価することができる。 オンライン自動検索は、代わりに非同期システム、数時間のバリエーション、数週間にわたる製品に影響を与えるキャンペーンにまたがる。 EvoPilotは,長期オンライン自動検索のための人為的な手法である。
• 参考スコア（独自算出の注目度）: 7.133144091123303
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM) agents can propose, implement, and evaluate model changes. Autoresearch loops demonstrate this capability through minutes-scale iterations on a self-contained program. Online autoresearch instead spans asynchronous systems, hours-long variants, and weeks-long campaigns that can influence a product. A completed run can still support an invalid conclusion when a code change is a no-op, data windows leak, evaluator semantics drift, or the two arms traverse different serving funnels. We present EvoPilot, a human-gated method for long-horizon online autoresearch. Role-specific agents execute each round through a versioned domain skill and typed adapter. Durable records preserve experiments and failures; deterministic checks enforce recorded lessons. We study a 37-day campaign for the retrieval system that powers Video Deep Dive (VDD), an online experience for discovering follow-on videos after a user opens a seed video. The campaign covered seven directions and used an hourly refreshed index of hundreds of millions of videos. Earlier manual experiments had not established a benefit from an interaction head. A primitive autoresearch attempt revisited the direction but incorrectly attributed an offline hit-rate decline of 22 percentage points to the head. We then introduced EvoPilot. Its human-gated verification traced the drop to a pre-existing evaluation defect that produced output depths of 3,000 and 600. After repair, a matched comparison measured an offline improvement of 3.20 percentage points. Post-study replay and mutation tests rejected invalid comparisons while admitting valid counterparts. Durable state recovered an interrupted round, and artifact reuse avoided approximately five GPU-hours. Separately, a seven-day randomized online evaluation estimated a 0.66% relative increase in the VDD slice of Good Search Result Rate for Retention (GSRR).
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントはモデル変更を提案し、実装し、評価することができる。 自動検索ループは、自己完結したプログラムの数分規模のイテレーションを通じて、この機能を実証する。 オンライン自動検索は、代わりに非同期システム、数時間のバリエーション、数週間にわたる製品に影響を与えるキャンペーンにまたがる。 コード変更がノーオープ、データウインドウのリーク、評価者セマンティクスのドリフト、あるいは2つのアームが異なるサービスファンネルを横切る場合、完了した実行は無効な結論をサポートすることができる。 EvoPilotは,長期オンライン自動検索のための人為的な手法である。 ロール固有のエージェントは、バージョン付きドメインスキルと型付きアダプタを通じて各ラウンドを実行する。 耐久性のあるレコードは実験と失敗を保存し、決定論的チェックは記録された教訓を強制する。 本稿では,ユーザがシードビデオを開いた後,フォローオンビデオを検出するオンライン体験であるVideo Deep Dive(VDD)を利用した検索システムのための37日間のキャンペーンについて検討する。 このキャンペーンは7つの方向をカバーし、何億本ものビデオを1時間ごとにリフレッシュしたインデックスを使用した。 以前の手動実験では、対話ヘッドの利点が確立されていなかった。 原始的な自動検索の試みでは方向を再検討したが、誤ってオフラインのヒットレートが22ポイント低下した。 次にEvoPilotを導入しました。 人力による検証では、既存の評価欠陥が3000から600の出力深度を生み出した。 修復後、一致した比較はオフラインで3.20ポイント改善した。 研究後のリプレイと突然変異テストは、有効な比較を認めながら、無効な比較を拒絶した。 Durable Stateは中断されたラウンドを回復し、アーティファクトの再利用はおよそ5つのGPU時間を避けた。 また、7日間のランダム化オンライン評価では、Good Search Result Rate for Retention (GSRR)のVDDスライスの相対的な増加が0.66%と見積もられた。

関連論文リスト

• Chronicle: Cut-Point Replay for Regression Testing of LLM Agents [0.0]
  我々は,非決定論的境界で実行されるエージェントを不変エンベロープとして記録し,記録から再生するクロニクルを提示する。 その中心的な操作であるカットポイント・リプレイは、レコードから選択された境界のサブセットを提供し、新しいコードで生きた補完的なサブセットを実行し、記録されたインシデントを継続的統合で実行される回帰テストに変換する。
  論文  参考訳（メタデータ） (2026-09-17T16:09:57Z)
• Fantastic Adaptive Taxonomies and How to Use Them [100.20614173157708]
  AdaMASTは、実行トレースをコンパクトでエビデンスに基づく障害分類に変換する。 コードには手書きのコードはなく、人間による注釈もない。 エージェント・システム・サーチでは、失敗候補の分類コード診断が自由形式より優れている。
  論文  参考訳（メタデータ） (2026-07-17T17:41:16Z)
• OPSD-V: On-Policy Self-Distillation for Post-Training Few-Step Autoregressive Video Generators [68.69611976783243]
  OPSD-Vは、数ステップの自己回帰(AR)ビデオ拡散モデルの訓練後の自己蒸留パラダイムである。 鍵となるアイデアは、トレーニング中の時間的文脈として実際の長時間ビデオデータを導入し、それを高密度な軌跡レベルの監視に使用することである。 実験では、視覚的品質、運動力学、VBenchLongスコアが一貫した改善を示している。
  論文  参考訳（メタデータ） (2026-07-09T17:59:11Z)
• AutoResearchClaw: Self-Reinforcing Autonomous Research with Human-AI Collaboration [175.74514061083195]
  提案するAutoResearchClawは,5つのメカニズムに基づいて構築されたマルチエージェント自律型研究パイプラインである。 25トピックの実験ステージベンチマークであるARC-Benchでは、AutoResearchClawがAI Scientist v2を54.7%上回っている。
  論文  参考訳（メタデータ） (2026-05-19T15:49:51Z)
• YawDD+: Frame-level Annotations for Accurate Yawn Prediction [2.578347047861952]
  ドライバーの疲労は道路事故の主要な原因であり、事故の24%は泥だらけのドライバーである。 そこで我々は,YawDDに適用したHuman-in-the-loop検証を用いた半自動ラベリングパイプラインを開発した。 YawDD+はフレームの精度を6%向上し、mAPは5%向上した。
  論文  参考訳（メタデータ） (2025-12-12T10:33:17Z)
• Cerberus: Real-Time Video Anomaly Detection via Cascaded Vision-Language Models [20.102770709407437]
  セルベロス (Cerberus) は、2段階のカスケードシステムである。 通常の動作ルールをオフラインで学習し、オンライン推論中に軽量フィルタリングと精細なVLM推論を組み合わせる。 Cerberusは平均57.68fpsのNVIDIA L40S GPU、151.79$times$ speedup、そして97.2%の精度で最先端のVLMベースのVADメソッドに匹敵する精度を実現している。
  論文  参考訳（メタデータ） (2025-10-18T01:27:23Z)
• Towards Debiasing Frame Length Bias in Text-Video Retrieval via Causal Intervention [72.12974259966592]
  トリミングビデオクリップのトレーニングセットとテストセットのフレーム長差による時間偏差について,一意かつ体系的に検討した。 Epic-Kitchens-100, YouCook2, MSR-VTTデータセットについて, 因果脱バイアス法を提案し, 広範な実験およびアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-09-17T15:58:27Z)
• ADNet: Temporal Anomaly Detection in Surveillance Videos [6.3455238301221675]
  監視ビデオにおける異常検出はコンピュータビジョンの重要な研究課題である。 ビデオ内の異常を局所化する時間的畳み込みを利用した異常検出ネットワークadnetを提案する。
  論文  参考訳（メタデータ） (2021-04-14T07:00:10Z)
• Diverse Knowledge Distillation for End-to-End Person Search [81.4926655119318]
  人物検索は、画像ギャラリーから特定の人物をローカライズし識別することを目的としている。 最近の手法は2つのグループ、すなわち2段階とエンドツーエンドのアプローチに分類できる。 ボトルネックを解消するために、多様な知識蒸留を備えたシンプルで強力なエンドツーエンドネットワークを提案します。
  論文  参考訳（メタデータ） (2020-12-21T09:04:27Z)

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。