論文の概要: PEAR: Progressive Evidence-Based AutoResearch for Industrial Search Systems

• arxiv url: http://arxiv.org/abs/2609.35031v1
• Date: Mon, 28 Sep 2026 12:30:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 17:40:34.002828
• Title: PEAR: Progressive Evidence-Based AutoResearch for Industrial Search Systems
• Title（参考訳）: PEAR:産業用サーチシステムのための進歩的エビデンスに基づくオートリサーチ
• Abstract要約: AutoResearchは、反復的な実験を通じてシステムを改善する:エージェントは候補修正を提案し、それらを評価し、その結果を使用してその後の探索をガイドする。 一般的なAutoResearchアプローチは、後続の実験の最高評価候補を保ちながら、betterルールに従っている。 既存の方法は個々の信号やタスク固有の手順に依存しており、探索を導くために複数のレベルにまたがるエビデンスを使用するための統一された基盤が欠如している。 本稿では,2つの相補的なコンポーネントを持つPEAR(Progressive Evidence-Based AutoResearch)を紹介する。
• 参考スコア（独自算出の注目度）: 13.837338951273532
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AutoResearch improves systems through iterative experimentation: agents propose candidate modifications, evaluate them, and use the results to guide subsequent exploration. Applying this paradigm to industrial search presents two challenges. (1) Common AutoResearch approaches follow a keep-if-better rule, retaining the highest-scoring candidate for subsequent experiments. Under non-stationary traffic, transient gains may be mistaken for persistent improvements, impairing reliable accumulation of search knowledge. (2) Candidate modifications can be evaluated at multiple fidelity levels, from low-cost proxies to online validation, differing in cost, objective alignment, and statistical reliability. Existing methods rely on individual signals or task-specific procedures, lacking a unified basis for using evidence across levels to guide search. We introduce Progressive Evidence-Based AutoResearch (PEAR) with two complementary components. Evidence-driven AutoResearch maintains an independent, hypothesis-guided research state for each strategy task within a predefined objective and intervention scope. Each state evolves through a Plan-Execute-Evaluate-Update transition that links experimentation to context-aware evidence interpretation and hypothesis revision. Confidence-Gated Verifier Ladder organizes evaluation into four levels of increasing fidelity: Offline Replay, Shadow-Traffic Evaluation, Rapid Online Evaluation, and Decision-Grade Online Evaluation. A unified confidence-based gate promotes candidates only when evidence supports a statistically significant positive effect, enabling broad low-cost exploration while reserving costly online experiments for promoted candidates. In a real-world industrial search system, strategies optimized with PEAR significantly increased Main Order/DAU by 2.7336% and 3.2957% relative to their respective baselines in two A/B experiments.
• Abstract（参考訳）: AutoResearchは、反復的な実験を通じてシステムを改善する:エージェントは候補修正を提案し、それらを評価し、その結果を使用してその後の探索をガイドする。 このパラダイムを産業検索に適用することは、2つの課題を提起する。 1) 共通オートリサーチのアプローチは, 後続の実験において, 最高評価候補を保ちながら, 保留ルールに従っている。 非定常的なトラフィックの下では、過渡的なゲインは永続的な改善と誤解され、検索知識の信頼できる蓄積を損なう可能性がある。 2) 候補変更は, 低コストプロキシからオンライン検証, コスト, 客観的アライメント, 統計的信頼性など, 複数の忠実度レベルで評価できる。 既存の方法は個々の信号やタスク固有の手順に依存しており、探索を導くために複数のレベルにまたがるエビデンスを使用するための統一された基盤が欠如している。 本稿では,2つの相補的なコンポーネントを持つPEAR(Progressive Evidence-Based AutoResearch)を紹介する。 エビデンス駆動のAutoResearchは、事前に定義された目的と介入の範囲内で、各戦略タスクに対して独立した仮説に基づく研究状態を維持している。 各状態はPlan-Execute-Evaluate-Updateトランジションを通じて進化し、実験と文脈対応のエビデンス解釈と仮説修正をリンクする。 信頼度保証型検証ラダーは、オフライン再生、シャドウトラッフィック評価、ラピッドオンライン評価、決定段階オンライン評価の4つのレベルに評価を編成する。 信頼度に基づく統一ゲートは、証拠が統計的に有意な効果を裏付ける場合にのみ、候補者を促進させる。 実世界の産業検索システムでは、2つのA/B実験において、PEARで最適化された戦略により、メインオーダー/DAUは2.7336%増加し、3.2957%増加した。

関連論文リスト

• CAFE: Self-Improving Search Agents Need Co-Evolving Feedback [64.5257526832476]
  アウトカム管理された検索エージェントは、いつ、どのように証拠を回収するかを学習するが、端末の報酬は中間エラーのローカライズも、それらのエラーが複雑になる前に継続する軌道のリダイレクトもしない。 学習した軌道内での介入として修正的フィードバックを扱うことは、エージェントがいつフィードバックを要求し使用するかを決めなければならないのに対し、批評家は、エージェントが改善するにつれて障害パターンが変化する結果構築されたロールアウトから有用な修正を推測しなければならない。
  論文  参考訳（メタデータ） (2026-08-25T16:39:00Z)
• BiCAA: Bidirectional Credit Assignment for Search-Augmented Agent [7.0011576165695]
  BiCAAは、前向きの可解性向上と後続の成功臨界という2つの相補的なシグナルを融合することによって、双方向のプロセス報酬を構築する。 検索強化されたQAベンチマークの実験では、BiCAAはポリシー最適化を安定化し、冗長な探索動作を低減し、競争性能を達成する。
  論文  参考訳（メタデータ） (2026-08-02T15:41:57Z)
• Search-G1: Grounded Search Agents via Representation-Based Intrinsic Rewards [4.1446390187932325]
  検索強化された言語エージェントは、必要なときにのみ外部情報を検索し、その答えを検索された証拠に根拠づけるべきである。 本稿では,2つの介入校正読解を通してエージェントの回答の操作的根拠を測定する,表現に基づく本質的な報酬フレームワークであるSearch-G1を提案する。
  論文  参考訳（メタデータ） (2026-07-24T15:22:57Z)
• A Survey of LLM-Driven Penetration Testing: Taxonomy, Co-Evolution, and Open Challenges [39.189948044905364]
  文献は評価ベンチマーク,汎用システム,ドメイン固有のフレームワーク,CTFベースのシステム,防衛指向研究,調査の6つのカテゴリに分類される。 まず、RLVRは、専門家によるデモンストレーションの模倣から報酬駆動による自己改善への能力獲得のシフトを示す。 第二に、CTFプラットフォームはテストベッドの評価からエージェント評価とRLトレーニングの両方のための多目的インフラストラクチャへと進化してきた。
  論文  参考訳（メタデータ） (2026-07-01T13:24:25Z)
• Time to REFLECT: Can We Trust LLM Judges for Evidence-based Research Agents? [61.49434544687523]
  本稿では,エージェント環境におけるきめ細かい故障検出を目的としたメタ評価ベンチマークREFLECTを紹介する。 REFLECTはプロセスレベルの障害モードと結果レベルの障害モードの詳細な分類を定義し、制御および局所的な介入を実行することでインスタンス化する。 私たちの実験では、最高のパフォーマンスモデルでさえ、推論、ツール使用、レポート品質の失敗に対して、全体的なアキュラシーを55%以下に達成しています。
  論文  参考訳（メタデータ） (2026-05-18T23:55:08Z)
• CoSearch: Joint Training of Reasoning and Document Ranking via Reinforcement Learning for Agentic Search [51.911048955965136]
  CoSearchは多段階推論エージェントと生成ドキュメントランキングモデルを共同でトレーニングするフレームワークである。 この結果から, 推論エージェントと検索システムの協調訓練は, 実現可能であり, 性能も高いことが示唆された。
  論文  参考訳（メタデータ） (2026-04-19T17:48:17Z)
• SEED-SET: Scalable Evolving Experimental Design for System-level Ethical Testing [17.31500098002456]
  SEED-SETは、ドメイン固有の客観的評価と利害関係者による主観的価値判断を含む実験的な設計フレームワークである。 自律エージェントの倫理的ベンチマークのためのアプローチを2つのアプリケーションで検証し、ベストを尽くす方法を見つける。
  論文  参考訳（メタデータ） (2026-03-02T09:06:28Z)
• Demystifying deep search: a holistic evaluation with hint-free multi-hop questions and factorised metrics [89.1999907891494]
  We present WebDetective, a benchmark of hint-free multi-hop questions with a control Wikipedia sandbox。 25の最先端モデルに対する我々の評価は、すべてのアーキテクチャにまたがる体系的な弱点を明らかにしている。 私たちはエージェントワークフローであるEvidenceLoopを開発し、ベンチマークが特定する課題を明示的にターゲットしています。
  論文  参考訳（メタデータ） (2025-10-01T07:59:03Z)

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。