論文の概要: ML Engineering Agents - A Data Management Perspective
- arxiv url: http://arxiv.org/abs/2610.16919v1
- Date: Mon, 12 Oct 2026 15:04:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-18 04:08:33.670171
- Title: ML Engineering Agents - A Data Management Perspective
- Title（参考訳）: MLエンジニアリングエージェント - データ管理の観点から
- Abstract要約: エンドツーエンドのMLパイプライン開発を自動化する新たなパラダイムとして、マシンラーニングエンジニアリング(MLE)エージェントが登場している。
このチュートリアルでは、MLEエージェントの基礎を紹介し、データベースコミュニティの研究機会を強調します。
- 参考スコア（独自算出の注目度）: 7.436141292849926
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Machine learning engineering (MLE) agents are emerging as a new paradigm for automating end-to-end ML pipeline development. Using large language models for code generation and predictive performance as a machine-gradable feedback signal, these agents iteratively synthesize, execute, and refine pipeline code. Yet current systems are largely evaluated on pre-built, single-table benchmarks that abstract away key data management challenges. This tutorial introduces the foundations of MLE agents and highlights research opportunities for the database community. We cover how agents combine program synthesis with iterative and evolutionary optimization, and discuss open challenges in efficient pipeline execution, data discovery and augmentation over heterogeneous sources, reliability and debugging, as well as fairness and compliance. We connect these challenges to existing data management techniques and conclude with a hands-on session using contemporary MLE agents.
- Abstract（参考訳）: エンドツーエンドのMLパイプライン開発を自動化するための新しいパラダイムとして、機械学習エンジニアリング(MLE)エージェントが登場している。
大規模な言語モデルを用いてコード生成と予測性能をマシングレード可能なフィードバック信号とし、これらのエージェントはパイプラインコードを反復的に合成し、実行し、洗練する。
しかし、現在のシステムは、主要なデータ管理の課題を抽象化するプリビルドされたシングルテーブルのベンチマークで大きく評価されている。
このチュートリアルでは、MLEエージェントの基礎を紹介し、データベースコミュニティの研究機会を強調します。
エージェントがプログラム合成と反復的および進化的最適化を組み合わせる方法を説明し、不均一なソース上での効率的なパイプライン実行、データの発見と拡張、信頼性とデバッグ、公正さとコンプライアンスに関するオープンな課題について議論する。
我々はこれらの課題を既存のデータ管理手法に結びつけ、現代のMLEエージェントを用いたハンズオンセッションで結論付ける。
関連論文リスト
- Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining [66.89012795621349]
大規模言語モデル(LLM)は、複雑なソフトウェア工学に必要な、深く、長期にわたる推論に苦しむことが多い。
本稿では,再構築による理解という,新しいパラダイムを提案する。
マルチエージェントシミュレーションを用いて潜在エージェント軌道を合成するフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-11T09:23:20Z) - Can LLMs Clean Up Your Mess? A Survey of Application-Ready Data Preparation with LLMs [66.63911043019294]
データ準備は、生のデータセットを識別し、データセット間の関係を解明し、それらから貴重な洞察を抽出することを目的としている。
本稿では,様々な下流タスクのためのデータ準備にLLM技術を用いることに焦点を当てる。
データクリーニング、標準化、エラー処理、計算、データ統合、データ豊か化という3つの主要なタスクにフィールドを編成するタスク中心の分類を導入します。
論文 参考訳（メタデータ） (2026-01-22T12:02:45Z) - From Failure to Mastery: Generating Hard Samples for Tool-use Agents [40.331752086107265]
HardGenは、検証可能な推論を備えたハードツール使用トレーニングサンプルを生成するように設計された自動エージェントパイプラインである。
高度なツールとハードクエリにより、検証可能な複雑なChain-of-Thought(CoT)の生成が可能になる
私たちのコード、モデル、データセットは、将来の研究を促進するためにオープンソース化されます。
論文 参考訳（メタデータ） (2026-01-04T11:56:33Z) - FELA: A Multi-Agent Evolutionary System for Feature Engineering of Industrial Event Log Data [7.129004248608012]
イベントログデータは、現代のデジタルサービスにとって最も価値のある資産の1つである。
AutoMLや遺伝的手法のような既存の機能エンジニアリングアプローチは、しばしば限定的な説明責任に悩まされる。
複雑なイベントログデータから有意義かつ高性能な特徴を自律的に抽出するマルチエージェント進化システムFELAを提案する。
論文 参考訳（メタデータ） (2025-10-29T06:57:32Z) - MM-HELIX: Boosting Multimodal Long-Chain Reflective Reasoning with Holistic Platform and Adaptive Hybrid Policy Optimization [103.74675519953898]
ロングチェーンのリフレクティブ推論は、複雑な現実世界の問題を解決するための前提条件である。
我々は42の難解な合成タスクの1,260のサンプルからなるベンチマークを構築した。
トレーニング後のデータを生成し、そのようなデータを活用するための学習パラダイムを探索する。
論文 参考訳（メタデータ） (2025-10-09T17:53:58Z) - LAM SIMULATOR: Advancing Data Generation for Large Action Model Training via Online Exploration and Trajectory Feedback [121.78866929908871]
AIエージェントのための大規模アクションモデル(LAM)は、素晴らしいポテンシャルを提供するが、高品質なトレーニングデータを必要とするため、課題に直面している。
LAM SIMULATORは,高品質なフィードバックによるエージェントタスクのオンライン探索を目的とした総合的なフレームワークである。
本フレームワークは,動的タスククエリジェネレータ,広範囲なツールコレクション,および大規模言語モデル(LLM)エージェントがツールを呼び出し,リアルタイムフィードバックを受信できる対話型環境を備えている。
論文 参考訳（メタデータ） (2025-06-02T22:36:02Z) - LaMDAgent: An Autonomous Framework for Post-Training Pipeline Optimization via LLM Agents [3.6117068575553595]
トレーニング後の完全なパイプラインを自律的に構築し、最適化するフレームワークであるLaMDAgentを紹介します。
LaMDAgentは、ツールの使用精度を9.0ポイント向上し、命令追従機能を保持する。
従来の人間主導の探査で見落とされがちな効果的なポストトレーニング戦略を明らかにする。
論文 参考訳（メタデータ） (2025-05-28T04:30:51Z) - MLE-Dojo: Interactive Environments for Empowering LLM Agents in Machine Learning Engineering [57.156093929365255]
自律型大規模言語モデル(LLM)エージェントを体系的に強化し、評価し、改善するためのガイムスタイルのフレームワーク。
MLE-Dojoは、現実的なエンジニアリングシナリオを反映した、多様でオープンなMLEタスクを慎重にキュレートする。
完全に実行可能な環境は、教師付き微調整と強化学習の両方を通して包括的なエージェントトレーニングをサポートする。
論文 参考訳（メタデータ） (2025-05-12T17:35:43Z) - AI Agents for Ground-Based Gamma Astronomy [0.0]
本稿では,Cherenkov Telescope Array Observatory パイプラインと統合した2つのプロトタイプについて述べる。
これらのAIエージェントは、複雑なタスクを自動化し、インテリジェントなアシストを提供することによって、システム管理とデータ分析に変革的なアプローチを提供する。
論文 参考訳（メタデータ） (2025-03-02T09:55:54Z)
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。