論文の概要: CLEAR: Structured Specifications for Controllable Long-Horizon ML Research Engineering

• arxiv url: http://arxiv.org/abs/2611.06263v1
• Date: Wed, 04 Nov 2026 10:12:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.052121
• Title: CLEAR: Structured Specifications for Controllable Long-Horizon ML Research Engineering
• Title（参考訳）: CLEAR:制御可能な長軸MLリサーチエンジニアリングのための構造化仕様
• Abstract要約: 機械学習(ML)研究を自動化するために,大規模言語モデル(LLM)エージェントがますます使用されている。 近年のシステムでは、LLMが人間の介入を限定してML研究エンジニアリングのかなりの部分を担っていることが示されている。
• 参考スコア（独自算出の注目度）: 80.01500985252558
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM) agents are increasingly being used to automate machine learning (ML) research workflows, ranging from code development and experiment execution to research reproduction and scientific discovery. Recent systems demonstrate that LLMs can perform substantial portions of ML research engineering with limited human intervention. These advances suggest a shift from automating individual research tasks toward automating long-horizon workflows that transform research artifacts into executable ML systems. However, ML research engineering remains substantially more difficult than isolated code generation. A research artifact typically specifies a system only implicitly through a mixture of natural-language descriptions, equations, pseudo-code, implementation details, datasets, and evaluation protocols. An agent must first infer the intended computational structure, translate it into executable components, coordinate their dependencies, and repeatedly diagnose and repair failures during execution. Consequently, the quality of the final system depends not only on code generation, but also on whether the agent can maintain a consistent representation of what should be implemented throughout this long-horizon process.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、コード開発や実験実行から、再現性や科学的発見まで、機械学習(ML)研究ワークフローの自動化にますます使用されている。 近年のシステムでは、LLMが人間の介入を限定してML研究エンジニアリングのかなりの部分を担っていることが示されている。 これらの進歩は、個々の研究タスクの自動化から、研究成果物を実行可能なMLシステムに変換する長期的なワークフローの自動化への移行を示唆している。 しかし、MLリサーチエンジニアリングは、孤立したコード生成よりもかなり難しいままである。 研究成果物は通常、自然言語の記述、方程式、擬似コード、実装の詳細、データセット、評価プロトコルの混合を通じてのみ暗黙的にシステムを指定する。 エージェントはまず、意図した計算構造を推論し、実行可能コンポーネントに変換し、依存関係を調整し、実行中の障害を何度も診断し、修復する必要がある。 その結果、最終的なシステムの品質は、コード生成だけでなく、エージェントがこの長期的プロセスを通じて実装されるべきことを一貫した表現を維持できるかどうかにも依存する。

関連論文リスト

• From I/O to Code with Discovery Agent [103.88427301265669]
  IO2Codeの発見エージェントであるDIO-Agentを提案する。 本手法は,プログラム空間上の進化的探索としてIO2Codeをフレーム化する。 大規模な実験により、DIO-Agentは従来のプログラムバイサンプル法とSOTA進化エージェントベースラインの両方を一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2026-05-14T18:57:32Z)
• Lang2MLIP: End-to-End Language-to-Machine Learning Interatomic Potential Development with Autonomous Agentic Workflows [2.1149232897113497]
  自然言語入力とエンドツーエンドMLIP開発を定式化するマルチエージェントフレームワークであるLang2MLIPを提案する。 各ステップでは、意思決定エージェントが現在のデータセット、モデル、評価結果、実行ログを観察し、モデルを改善するための適切なアクションを自動的に選択する。 本研究では, 固体電解質間相 (SEI) システムにおいて, 複数成分および界面を有する手法について検討した。
  論文  参考訳（メタデータ） (2026-05-14T08:10:42Z)
• MatClaw: An Autonomous Code-First LLM Agent for End-to-End Materials Exploration [0.0]
  我々は、Pythonを直接書き、実行するためのコードファーストエージェントであるMatchClawを提示する。 MatClawはコード生成を確実に扱うが、暗黙のドメイン知識に苦慮している。 その結果、ガイド付きと完全に自律的な計算材料研究のギャップはこれまで以上に狭くなっていることが明らかとなった。
  論文  参考訳（メタデータ） (2026-04-03T03:32:15Z)
• An Agentic Framework for Autonomous Materials Computation [70.24472585135929]
  大規模言語モデル(LLM)は、科学的発見を加速するための強力なツールとして登場した。 近年の進歩はLLMをエージェントフレームワークに統合し、複雑な科学実験のための検索、推論、ツールの使用を可能にしている。 本稿では,第一原理計算の信頼性向上を目的としたドメイン特化エージェントを提案する。
  論文  参考訳（メタデータ） (2025-12-22T15:03:57Z)
• ResearchCodeAgent: An LLM Multi-Agent System for Automated Codification of Research Methodologies [16.90884865239373]
  本研究では,研究方法論の体系化を自動化する新しいマルチエージェントシステムであるResearchCodeAgentを紹介する。 このシステムは、ハイレベルな研究概念と実践的な実装のギャップを埋める。 ResearchCodeAgentは、研究実施プロセスに向けた重要なステップであり、機械学習研究のペースを加速する可能性がある。
  論文  参考訳（メタデータ） (2025-04-28T07:18:45Z)
• AutoML-Agent: A Multi-Agent LLM Framework for Full-Pipeline AutoML [56.565200973244146]
  自動機械学習(Automated Machine Learning, ML)は、開発パイプライン内のタスクを自動化することによって、AI開発を加速する。 近年の作業では,そのような負担を軽減するために,大規模言語モデル(LLM)の利用が始まっている。 本稿では,フルパイプのAutoMLに適した新しいマルチエージェントフレームワークであるAutoML-Agentを提案する。
  論文  参考訳（メタデータ） (2024-10-03T20:01:09Z)
• MLAgentBench: Evaluating Language Agents on Machine Learning Experimentation [96.71370747681078]
  我々は,CIFAR-10におけるモデル性能の改善から,BabyLMのような最近の研究課題まで,13のタスクからなるMLAgentBenchを紹介した。 各タスクに対して、エージェントはファイルの読み書き、コードの実行、出力の検査などのアクションを実行することができる。 我々は、Claude v1.0、Claude v2.1、Claude v3 Opus、GPT-4、GPT-4-turbo、Gemini-Pro、Mixtralに基づいてベンチマークエージェントをベンチマークし、Claude v3 Opusエージェントが成功率の点で最高であることを示す。
  論文  参考訳（メタデータ） (2023-10-05T04:06:12Z)

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。