論文の概要: AgentCBO: Causal Belief Routing for Bayesian Optimization under Unknown Graphs

• arxiv url: http://arxiv.org/abs/2611.01317v1
• Date: Sat, 31 Oct 2026 22:38:26 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:44:23.621471
• Title: AgentCBO: Causal Belief Routing for Bayesian Optimization under Unknown Graphs
• Title（参考訳）: AgentCBO:未知グラフ下でのベイズ最適化のための因果的信念ルーティング
• Abstract要約: 我々は、経路等価性を形式化し、目的を完全な因果グラフ回復から因果信念ルーティングへシフトさせる。 我々は,保護された提案とコミットプライヤを通じて因果先を組み込んだグラフベースのルーティングフレームワークである agentcbo を提案する。 Agentcboは、既知のグラフCBOと互換性があり、ガードされた先行者が固定予算CBOのパフォーマンスを向上させることができることを示す。
• 参考スコア（独自算出の注目度）: 10.621822758140981
• License:
• Abstract: Causal Bayesian optimization (CBO) typically relies on the unrealistic assumption of a perfectly known causal graph. Recent methods relax this constraint by coupling optimization with structure learning, but they often waste sample budgets on structural uncertainties that are irrelevant to the optimizer. In this paper, we formalize routing-equivalence to shift the objective from full causal-graph recovery to causal belief routing, where structural differences only matter when they alter optimizer-facing objects such as admissible exploration sets and do-priors. Furthermore, we propose agentcbo, a graph-belief routing framework that incorporates LLM causal priors through guarded proposal and commit mechanisms. Specifically, a Language-Prior Agent combines LLM beliefs with constraint-based discovery to extract a protected causal backbone alongside residual uncertain edges. A Calibration Agent and a Residual Repair Agent then refine only these uncertain structures through score-gated bounded local edits. Finally, a deterministic commit gate evaluates candidate updates using routing-proxy checks before allowing them to influence intervention selection. Across ten benchmarks, agentcbo performs comparably to known-graph CBO, demonstrating that guarded LLM priors can improve fixed-budget CBO performance.
• Abstract（参考訳）: 因果ベイズ最適化(英語版)(Causal Bayesian Optimization, CBO)は典型的には、完全に知られている因果グラフの非現実的な仮定に依存する。 最近の手法では、この制約を最適化と構造学習を結合することで緩和するが、最適化に関係のない構造的不確実性にサンプル予算を浪費することが多い。 本稿では,本研究の目的を完全な因果グラフ回復から因果信念ルーティングにシフトするために,ルーティング等価性を形式化し,そこでは,許容探索セットやdo-priorのような最適対象を修正した場合にのみ,構造的差異が重要となる。 さらに,保護された提案機構とコミット機構を通じてLLM因果前処理を組み込んだグラフ信頼性ルーティングフレームワークである agentcbo を提案する。 特に、Language-Prior Agentは、LLMの信念と制約に基づく発見を組み合わせることで、不確実なエッジとともに保護された因果骨を抽出する。 校正エージェントと残留修復エージェントは、スコアゲートされた局所的な編集を通じて、これらの不確実な構造のみを精査する。 最後に、決定論的コミットゲートは、介入選択に影響を与える前にルーティングプロキシチェックを使用して、候補更新を評価する。 10のベンチマークで、 agentcbo は既知のグラフ CBO と同等に動作し、ガードされた LLM プリエントが固定予算 CBO のパフォーマンスを向上できることを示した。

関連論文リスト

• CATune: Structural Constraint-Aware Bayesian Optimization for DBMS Configuration Tuning [7.6284746226544256]
  既存のMLベースのチューニングシステムは、構成ドメインをボックス制約として扱い、クノブ間の関係を暗黙的にキャプチャするためにワークロードフィードバックに依存する。 本稿では,制約を考慮したベイズ最適化フレームワークであるCATuneを提案する。 実験により、CATuneはサロゲートモデルとBOフレームワーク間のサンプル効率と最終的なチューニング品質の両方を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2026-10-07T01:14:40Z)
• Causal Improvement Graph for Agentic Harness Optimization [85.77143316265415]
  因果改善グラフ(Causal Improvement Graph, CIG)は、永続グラフにおける改善状態の進化を外部化する、グラフが支配するメタハーネスフレームワークである。 CIGはノードをリンクして、観察されたこと、どのように説明されるか、その説明をテストする方法、そして評価が示すものを表す。
  論文  参考訳（メタデータ） (2026-10-04T08:15:37Z)
• When and Why LLM Causal Priors Help: Closed-Loop Prior Selection for Amortized Causal Inference [0.0]
  因果効果の推定は、介入、医学、経済学、公共政策の下で結果がどのように変化するかを問う。 大規模言語モデル (LLMs) は、与えられたドメインに対して「妥当な因果グラフ」を描画できるようになった。 本稿では,プレインジェクションを候補事前プールに対する予算制約付き最適化として活用する,閉ループ事前選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-07T02:24:11Z)
• The Laws of Context Allocation: Causal Measurement and Closed-Loop Orchestration in Generative Search [19.846305722187328]
  Retrieval-Augmented Generation (RAG)は、多様なポートフォリオ生成にシフトする。 これは2つの重要なボトルネック、すなわち証拠利用率の欠陥測定と、最適条件下予算配分によって悪影響を受けている。 本稿では,遺伝子依存を正確に分離する因果排除プローブを提案する。 モノリシック・コンテキスト・ワイドニング(モノリシック・コンテキスト・ワイドニング)の一般的な戦略は、関連性の崩壊によって罰せられるアーキテクチャ・トラップであることを示す。
  論文  参考訳（メタデータ） (2026-08-24T13:44:11Z)
• From Sequence to Structure: Relational Uncertainty Propagation for LLM Agents [75.69180947909148]
  大規模言語モデル(LLM)エージェントのためのトラジェクトリレベルのUQフレームワークを提案する。 RuPAは、推論状態、ツールインタラクション、環境フィードバックが時間的およびセマンティックな依存関係エッジで接続されたノードである、指向的なトラジェクトリグラフとして実行履歴を表現している。 我々は,複数のモデルファミリにまたがる6つのオープンソースLCMを用いて,代用エージェントベンチマーク($2, Terminal-Bench-2, GAIA)でRUPAを評価した。
  論文  参考訳（メタデータ） (2026-08-17T01:40:14Z)
• Shared Prefixes, Better Credit: Adaptive Routing for Multi-Agent Reasoning [72.49938949082117]
  MAR(Multi-agent reasoning)は、反復的な解交換と改良を通じて推論の信頼性を向上させる。 既存の適応MARメソッドは通常、クエリレベルのラベルやトラジェクトリレベルのリターンからルーティング決定を学習する。 効率的な適応MARのための共有操作型クレジット割り当てフレームワークであるTreeCreditを提案する。
  論文  参考訳（メタデータ） (2026-08-03T14:22:23Z)
• From Noisy Traces to Root Causes: Structural Trajectory Analysis and Causal Extraction for Agent Optimization [13.259841042680724]
  本稿では、高信号雑音最適化コンテキストを構築するフレームワークSTRACEを紹介する。 STRACEは障害パターンをマイニングし、冗長なトレースをフィルタリングし、代表的な障害を保持する。 標準的なコンテキストフィルタリングベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2026-07-08T17:57:27Z)
• On Multi-Step Theorem Prediction via Non-Parametric Structural Priors [50.16583672681106]
  本研究では,インコンテキスト学習(ICL)のレンズによる学習自由な定理予測について検討する。 本稿では,過去の解の時間的依存関係を有向グラフとしてエンコードし,推論中に探索空間を効果的に引き起こす明示的なトポロジ的制約を課すTheorem Precedence Graphsを提案する。 FormalGeo7kベンチマークの実験から,本手法は89.29%の精度を実現し,ICLベースラインを著しく上回り,最先端の教師付きモデルに適合することがわかった。
  論文  参考訳（メタデータ） (2026-03-05T06:08:50Z)
• Improving constraint-based discovery with robust propagation and reliable LLM priors [13.871152992680152]
  高信頼度種子から縁を伝播する因果発見法であるMosaCDを提案する。 次に、最も信頼性の高いエッジを優先し、スケルトンに基づく発見手法と統合可能な、新しい信頼度低下伝搬戦略を適用する。
  論文  参考訳（メタデータ） (2025-09-28T02:00:20Z)
• Model-based Causal Bayesian Optimization [78.120734120667]
  モデルに基づく因果ベイズ最適化(MCBO)を提案する。 MCBOは介入と逆のペアをモデリングするのではなく、完全なシステムモデルを学ぶ。 標準的なベイズ最適化とは異なり、我々の取得関数は閉形式では評価できない。
  論文  参考訳（メタデータ） (2022-11-18T14:28:21Z)

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。