論文の概要: Synthesis Through Simulation: Generating Coherent Enterprise Data via Scalable Agent-System Interaction

• arxiv url: http://arxiv.org/abs/2610.10549v1
• Date: Thu, 24 Sep 2026 13:55:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 16:33:44.549705
• Title: Synthesis Through Simulation: Generating Coherent Enterprise Data via Scalable Agent-System Interaction
• Title（参考訳）: シミュレーションによる合成:スケーラブルエージェント-システムインタラクションによるコヒーレントエンタープライズデータの生成
• Abstract要約: ツールに依存しないエージェントは、エンタープライズAIの中心となっているが、大規模なトレーニングと評価は厳しい制約が続いている。 本稿では,**スキーマシミュレーションのない**データ合成パラダイムである**Synthesis Through Simulation** (STS)を紹介する。 データは有効なものを定義する同じ環境を通じて生成されるため、STSは構築による構造的妥当性を保証する。
• 参考スコア（独自算出の注目度）: 5.137327461623598
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Tool-calling agents have become central to enterprise AI, yet training and evaluating them at scale remains severely constrained due to business and legal restrictions on enterprise systems, data, and database schemas. Tabular data synthesis offers a natural alternative, but its effectiveness is fundamentally limited by structural validity and schema availability, while procedure-based approaches yield the opposite weakness, typically lacking distributional fidelity without per-domain authoring. We introduce **Synthesis Through Simulation** (STS), a **schema--free** data synthesis paradigm in which an LLM agent generates data by executing operations against policy-enforcing APIs within simulated enterprise environments. Because data is generated through the same environment that defines what is valid, STS guarantees structural validity by construction while decoupling validity enforcement from distribution modeling, allowing each to be addressed independently. The **Generalist Populator** (GP), STS's domain-agnostic agent, addresses the remaining challenges of distributional fidelity and synthesis scalability: GP achieves **0.88** average marginal fidelity and **100\% constraint satisfaction** across all ten environments *without access to DB schemas*, while statistical synthesizers are inapplicable to seven due to necessary seed data requirements, and schema-privileged agents fail 82\% of trajectories on airline environment's tightly coupled workflows due to brittle task composition. We open-source the full framework, all ten environments, and generated datasets at https://github.com/SAP/synthesis-through-simulation.
• Abstract（参考訳）: ツール呼び出しエージェントは、エンタープライズAIの中心となっているが、企業システム、データ、データベーススキーマに対するビジネスおよび法的制約のため、大規模にそれらをトレーニングし、評価することは厳しい制約を受け続けている。 タブラルデータ合成は自然な代替手段であるが、その有効性は構造的妥当性とスキーマの可用性によって基本的に制限されている。 シミュレーションによる**Synthesis Through Simulation** (STS), a **schema-free* data synthesis paradigm, a LLM agent by execution against policy-enforcecing APIs in simulated enterprise environment。 データは有効性を定義する同じ環境を通じて生成されるため、STSは構成による構造的妥当性を保証し、妥当性を分散モデリングから切り離し、それぞれに独立して対処することができる。 ** Generalist Populator** (GP) は、STSのドメインに依存しないエージェントであり、分散の忠実さと合成のスケーラビリティの残りの課題に対処する: GPは、**0.88**平均辺縁の忠実さと***100\%の制約満足度**を全10環境にわたって達成する。 私たちは、完全なフレームワーク、全10の環境、および生成されたデータセットをhttps://github.com/SAP/ synthesis-through-simulationでオープンソース化しました。

関連論文リスト

• Scaling Agentic Capabilities via Grounded Interaction Synthesis [12.796216573698677]
  本稿では,多様な環境や複雑なタスクのスケーラブルな構築を自動化するフレームワークであるGarthed Agentic Interaction Synthesis (GAIS)を紹介する。 具体的には、機能的多様性と難易度を確保するために、実世界のモデルコンテキストプロトコル(MCP)サーバから派生したプロトコルアンコール環境を構築する。 BFCL、$2-Bench、ACEBenchの実験では、GAIS合成データが最先端のベースラインを大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2026-06-01T09:57:52Z)
• ComplexMCP: Evaluation of LLM Agents in Dynamic, Interdependent, and Large-Scale Tool Sandbox [61.862814740220806]
  $textbfComplexMCP$は厳格な条件下でエージェントを評価するために設計されたベンチマークである。 Model Context Protocol (MCP)上に構築された$textbfComplexMCP$は300以上の精巧にテストされたツールを提供する。
  論文  参考訳（メタデータ） (2026-05-11T16:20:51Z)
• Concordia: Self-Improving Synthetic Tables for Federated LLMs [80.03837595689608]
  フェデレートラーニングは、生データを共有することなく、大きな言語モデル(LLM)をトレーニングすることを可能にする。 合成データ生成とフェデレートされた検証ユーティリティを連携させるフレームワークであるConcordiaを提案する。
  論文  参考訳（メタデータ） (2026-05-11T01:17:58Z)
• LOGIGEN: Logic-Driven Generation of Verifiable Agentic Tasks [4.6880826836662814]
  検証可能なトレーニングデータを合成するロジック駆動フレームワークである textbfLOGIGEN を紹介する。 2$-Benchでは、LOGIGEN-32B(RL)がtextbf79.5%の成功率を獲得し、ベースモデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-02-28T08:35:30Z)
• AgentSkiller: Scaling Generalist Agent Intelligence through Semantically Integrated Cross-Domain Data Synthesis [30.512393568258105]
  大規模言語モデルエージェントは、ツールを介して現実世界の問題を解決する可能性を実証するが、汎用的な知性は、質の低い長期データによってボトルネックとなる。 本稿では,現実的なセマンティックなドメイン間でのマルチターンインタラクションデータを合成する,完全に自動化されたフレームワークであるAgentSkillerを提案する。
  論文  参考訳（メタデータ） (2026-02-10T03:21:42Z)
• LLM-TabLogic: Preserving Inter-Column Logical Relationships in Synthetic Tabular Data via Prompt-Guided Latent Diffusion [49.898152180805454]
  合成データセットはドメイン固有の論理的一貫性を維持する必要がある。 既存の生成モデルは、しばしばこれらのカラム間の関係を見落としている。 本研究では,ドメイン知識を必要とせずに列間関係を効果的に維持する手法を提案する。
  論文  参考訳（メタデータ） (2025-03-04T00:47:52Z)

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。