論文の概要: Advancing Model Research in AgentX: Long-Horizon Autonomy for Industrial Recommender Systems
- arxiv url: http://arxiv.org/abs/2609.30001v1
- Date: Thu, 24 Sep 2026 15:45:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:10.066128
- Title: Advancing Model Research in AgentX: Long-Horizon Autonomy for Industrial Recommender Systems
- Title（参考訳）: AgentXにおけるモデル研究の促進:産業用レコメンダシステムのための長期自律性
- Abstract要約: AgentX-Modelは提案開発とモデル実験を結びつける。
AgentX-Modelは、Research AgentとModel Agentで構成されるデュアルエージェントアーキテクチャを採用している。
- 参考スコア（独自算出の注目度）: 30.396000562716313
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sustaining industrial recommendation research requires using the results of one experiment to decide what to investigate next. We present AgentX-Model, the next generation of AgentX's model research framework, which connects proposal development and model experimentation within sandboxes defined by business inputs and prediction tasks. AgentX-Model adopts a dual-agent architecture comprising a Research Agent and a Model Agent. The Research Agent develops independently reviewed proposals from papers and experimental findings, while the Model Agent conducts multi-round investigations and returns code, measurements, and unresolved questions. Using the returned results, the Research Agent selects a starting implementation and formulates the next research question, allowing subsequent experiments to build on earlier findings. We organize this continuing research around four actions: Reproduce, Follow-up, Composition, and Diagnose. The first three actions drive routine research, while Diagnose acquires the evidence needed to choose a repair, including for issues raised by business feedback and online evaluation, such as prediction bias measured by PCOC. Across the production evaluation, 560 of 636 completed model-changing experiments recorded AUC above their business baselines. As research continued, some experiments recorded AUC above every comparable ancestor in their lineages. The five latest online A/B evaluations across different business settings reported gains including 10-15% in acquisition efficiency, 15-20% in target-segment advertising spend, and 0.3-0.8% in watch time; the watch-time model used approximately 10% fewer FLOPs and parameters. A dependency-aware historical-replay benchmark further evaluates research allocation, with initial results showing no consistent efficiency gain from more complex scheduling when agents already analyze and select concrete candidates.
- Abstract（参考訳）: 産業レコメンデーション研究の継続には、次に何を調査するかを決めるために、1つの実験の結果を使用する必要がある。
本稿では,AgentXの次世代モデル研究フレームワークであるAgentX-Modelについて述べる。
AgentX-Modelは、Research AgentとModel Agentで構成されるデュアルエージェントアーキテクチャを採用している。
調査エージェントは、論文と実験結果から個別にレビューされた提案を開発し、モデルエージェントは複数回の調査を行い、コード、測定、未解決の質問を返却する。
返された結果を用いて、Research Agentは開始実装を選択し、次の研究質問を定式化し、その後の実験を以前の結果に基づいて構築する。
再現、フォローアップ、コンポジション、診断の4つのアクションについて、この継続的な研究をまとめる。
最初の3つのアクションは定期的な研究を推進し、一方Diagnoseは、ビジネスフィードバックによる問題やPCOCによる予測バイアスなどのオンライン評価を含む、修復を選択するために必要な証拠を取得する。
生産評価全体では、636機のうち560機がAUCをビジネスベースライン上に記録したモデル変更実験を完了した。
研究が進むにつれて、いくつかの実験では、AUCがそれぞれの系統のどの祖先よりも上位に記録されている。
最新のオンラインA/B評価では、買収効率が10-15%、ターゲットセグメント広告費が15-20%、ウォッチタイムが0.3-0.8%で、ウォッチタイムモデルはFLOPとパラメータを約10%削減した。
依存性を意識した履歴再生ベンチマークは、調査の割り当てをさらに評価し、エージェントが既に具体的な候補を分析し、選択している場合に、より複雑なスケジューリングから一貫した効率向上を示す。
関連論文リスト
- AgentIdeaBench: Benchmarking Scientific Ideation in the Agent Era [55.37558486468993]
AgentIdeaBenchは、静的観測とアクティブ探索という2つの一致した条件下で科学的思考を評価するベンチマークである。
5つの分野にまたがる40の高密度サブフィールドにおける33個のLDMの静的アクティブ評価を一致させた。
アクティブな探索により、ヘッドルームの能力は大幅に向上し、ヘッドルームはモデル間で不均一に分散される。
論文 参考訳（メタデータ） (2026-09-07T15:19:13Z) - AutoResearch: Insight In, Hallucination Out [18.44583561825209]
本稿では,アイデア生成と理想実行を結合する2段階システムであるAutoResearchを紹介する。
Idea Generationでは、AutoResearchは、新しい研究信号と蓄積されたドメイン知識を継続的に統合する。
Idea Executionでは、調整されたエージェントがこれらの計画を実験に分解し、反復的にそれらを実装し、診断し、独立したエビデンスベースのレビューを採用する。
論文 参考訳（メタデータ） (2026-08-18T15:38:26Z) - AI Research Preference Models [87.14303218008381]
研究エージェントは、独自の機械学習実験を提案し、実装し、評価することができる。
フロンティア作業の進行は コストで妨げられています
我々は、複数の候補ソリューションのどれが実行価値が最も高いかを予測するAI Research Preference Models(RPM)を紹介する。
論文 参考訳（メタデータ） (2026-08-14T04:20:37Z) - Long-Horizon Autonomous Architecture Research with a Language-Model Agent: A Behavioural Case Study [0.3683202928838613]
我々は,1つの汎用大規模言語モデルが,長期的ニューラルアーキテクチャ設計問題において唯一の研究者として機能する場合に何が起こるかを研究する。
この研究は3つのフェーズから構成され、人間の宣言された遷移によって分離され、エージェントのツール表面や問題スケールを徐々に拡大する。
本研究は, ワークフロー設計がエージェント能力に匹敵する影響力があることを結論し, 多様な探索, 予算付きムーンショット仮説, 明示的なフォーク, ルール対応の再検証を提案する。
論文 参考訳（メタデータ） (2026-08-03T09:56:34Z) - An Experimental Design Approach to Evaluating Agentic AI's Autonomous Model Discovery [4.502708670326481]
大規模言語モデル符号化エージェントは、ますますオープンなデータモデリングと分析を行うようになっている。
この発見過程を評価するための実験的な設計・分析フレームワークを提案する。
本研究は, 推理効果の優位な方向を特徴付けるために, 実用性に整合した正準分解法を開発した。
論文 参考訳（メタデータ） (2026-07-07T15:43:22Z) - Learning to Predict Future-Aligned Research Proposals with Language Models [59.79457676644722]
我々は目標から得られた17,771の論文とそれらの事前カットオフ引用の時間一貫性のあるデータセットを構築した。
モデルをトレーニングするために、ターゲットとそれらのカットオフ前の引用から17,771枚のタイム一貫性のあるデータセットを構築します。
Llama-3.1 と Qwen2.5 のモデル全体で、将来のアライメントチューニングは、非アライメントベースラインに対する将来のアライメントを改善する。
論文 参考訳（メタデータ） (2026-03-28T05:41:15Z) - FIRE-Bench: Evaluating Agents on the Rediscovery of Scientific Insights [63.32178443510396]
FIRE-Bench (Full-cycle Insight Rediscovery Evaluation) は、確立された発見の再検討を通じてエージェントを評価するベンチマークである。
最強のエージェントでさえ、限られた再発見成功(50 F1)を達成し、実行中に高いばらつきを示し、実験的な設計、実行、エビデンスに基づく推論において繰り返し失敗モードを表示する。
論文 参考訳（メタデータ） (2026-02-02T23:21:13Z) - HumanStudy-Bench: Towards AI Agent Design for Participant Simulation [11.906370453952265]
大規模言語モデル (LLMs) は、社会科学実験のシミュレーション参加者としてますます使われている。
HUMANSTUDY-BENCHは、LLMベースのエージェントを編成し、人体実験を再構築するベンチマークおよび実行エンジンである。
科学的推論のレベルでの忠実度を評価するために,人間とエージェントの行動がどの程度一致しているかを定量化するための新しい指標を提案する。
論文 参考訳（メタデータ） (2026-01-31T12:07:42Z) - AstaBench: Rigorous Benchmarking of AI Agents with a Scientific Research Suite [75.58737079136942]
本稿では,AstaBenchについて紹介する。AstaBenchは,科学的研究を行うためのエージェント能力の総合的な測定を行うスイートである。
私たちのスイートには、プロダクショングレードの検索ツールを備えた、最初の科学研究環境が付属しています。
22のエージェントクラスで57のエージェントを評価したところ,いくつかの興味深い結果が得られた。
論文 参考訳（メタデータ） (2025-10-24T17:10:26Z) - How can we assess human-agent interactions? Case studies in software agent design [52.953425368394306]
我々は,人間とエージェントの相互作用の厳密な評価に向けて,二つの大きな一歩を踏み出した。
エージェント設計のより効率的な人間中心評価のためのフレームワークであるPULSEを提案する。
私たちは、オープンソースのソフトウェアエージェントOpenHandsを中心に構築された大規模なWebプラットフォームにフレームワークをデプロイします。
論文 参考訳（メタデータ） (2025-10-10T19:04:28Z)
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。