論文の概要: G-CAST: Governed Continual Self-Training for E-Commerce Agents under Evolving Demands
- arxiv url: http://arxiv.org/abs/2611.17814v1
- Date: Fri, 13 Nov 2026 06:53:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.319542
- Title: G-CAST: Governed Continual Self-Training for E-Commerce Agents under Evolving Demands
- Title(参考訳): GCAST:Eコマースエージェンシーの継続的なセルフトレーニングを継続-需要拡大で
- Abstract要約: G-CASTは,大規模言語モデルを対象とした継続的自己学習システムである。
G-CASTは現在、Alibabaの1688プラットフォーム上のB2B調達エージェントであるYuancaiにデプロイされている。
- 参考スコア(独自算出の注目度): 10.739183659743128
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid advancement of Large Language Models (LLMs), an increasing number of users are turning to LLM-powered agents for conversational shopping in e-commerce. However, the user needs continue to change as new product categories, procurement scenarios, and feature requests emerge. At the same time, the product's execution harness-including its tools, skills, and operating procedures-continues to evolve to support increasingly sophisticated interactions. These changes create two practical challenges: 1) Demand drift alters the distribution, intent, and complexity of user requests, causing a model trained once to fall behind; 2) Harness evolution requires the model to use newly introduced capabilities correctly without losing behavior that users already rely on. Periodic manual retraining is too delayed and labor-intensive for this setting. To address these challenges, we present G-CAST, a governed continual self-training system that converts daily production evidence under evolving demand and capability contracts into reward-routed, entropy-prioritized training data and governed reward evolution. Governed checkpoint transition under cumulative evaluation controls each model update, enabling the agent to learn newly introduced behaviors without sacrificing previously accepted capabilities. Experiments on a real production e-commerce agent show that G-CAST achieves stronger adaptation to newly introduced demand while better preserving previously accepted behavior compared with a strong autonomous post-training baseline. Ablations further show that both reward-routed, entropy-prioritized data orchestration and governed reward evolution are important to these gains. G-CAST is now deployed in Yuancai(http://cai.1688.com/), a B2B procurement agent on Alibaba's 1688 platform.
- Abstract(参考訳): LLM(Large Language Models)の急速な進歩に伴い、電子商取引における会話型ショッピングのためのLLMエージェントに切り替えるユーザが増えつつある。
しかし、新しい製品カテゴリ、調達シナリオ、機能要求が出現するにつれて、ユーザは変化し続ける必要がある。
同時に、製品の実行にはツール、スキル、操作手順を含むハーネスが組み込まれ、より洗練されたインタラクションをサポートするために進化する。
これらの変化は2つの実践的な課題を生み出します。
1) 需要のドリフトは,ユーザ要求の分布,意図,複雑さを変化させる。
2) ハーネスの進化には,ユーザがすでに依存している振る舞いを損なうことなく,新たに導入された機能を正しく使用する必要がある。
定期的な手作業の再訓練は遅すぎて、この設定には労働集約的です。
これらの課題に対処するため、G-CASTは、需要と能力契約の下で日常的な生産証拠を報奨付きエントロピー優先の訓練データに変換し、報酬の進化を制御した継続的自己訓練システムである。
累積評価の下でグラウンドされたチェックポイント遷移は、各モデル更新を制御するため、エージェントは、以前に受け入れられた機能を犠牲にすることなく、新しく導入された振る舞いを学習することができる。
実生産型eコマースエージェントの実験では、G-CASTは、より強力な自律的後トレーニングベースラインと比較して、従来受け入れられていた行動の保存を改善しつつ、新たに導入した需要へのより強力な適応を実現している。
さらに、報酬を減らし、エントロピーを優先したデータオーケストレーションと、支配された報酬の進化の両方が、これらの利益にとって重要であることを示している。
G-CASTは現在、Alibabaの1688プラットフォーム上のB2B調達エージェントであるYuancai(http://cai.1688.com/)にデプロイされている。
関連論文リスト
- E-GenRM: Generative Reward Modeling for Open-Ended E-Commerce Shopping Agents [19.622585420800764]
E-GenRM(E-Commerce Generative Reward Model、E-GenRM)は、電子商取引業者向けに開発された商品報酬モデルである。
E-GenRMは、まず、教師付き微調整を通して行動基底評価チェーンから学習する。
そして、基準誘導型強化学習によって最適化され、正しい選好判断と証拠に支持された事実主張に報いる。
論文 参考訳(メタデータ) (2026-11-02T12:10:57Z) - CARE: Grounded Recursive Self-Improvement for Production Customer-Service Agents [50.79568861593788]
CARE(Customer-service Agent Retrospective and Evolve)は、顧客サービスでこのプロセスを運用する基盤となるRSIフレームワークである。
その目標は、フロンティアのプロプライエタリな既存企業を、デプロイ後も学び続ける、社内のミドルサイズのモデルに置き換えることだ。
論文 参考訳(メタデータ) (2026-11-02T09:39:52Z) - HEMO: Harness Self-Evolution for Multi-Objective Combinatorial Optimization [64.21555594845748]
自動演算子(AOD)は、多目的最適化(MOCO)のための問題固有の探索および変分演算子を生成するために、大規模言語モデル(LLM)をますます採用している。
HEMOを導入し,AODを自己進化的最適化目標とする。
Hemoは永続的なハーネス状態を維持し、一度に1つのモジュールを更新し、どのエクスペリエンスを取得するか、どのオペレータを改善するか、どの親が選択するか、検索ステップのオーケストレーションを定式化するかを決定するロジックを改訂する。
論文 参考訳(メタデータ) (2026-10-29T13:32:00Z) - Predictive Analytics in E-Commerce for CustomerBehavior Forecasting using hybrid Ret-DNN withXGBoost Model [0.4562885515693867]
本研究では,Retail Deep NeuralNetwork(Ret-DNN)とExtreme Gradient Boosting(XGBoost)モデルを組み合わせたハイブリッドモデルを提案する。
提案した Ret-DNN XGBoost モデルは,既存の Ret-DNN モデルと比較して,aMean Absolute Error (MAE) 0.2193 を達成することで,より良い結果を得た。
論文 参考訳(メタデータ) (2026-06-16T13:41:14Z) - Self-evolving LLM agents with in-distribution Optimization [60.05867547965365]
大規模言語モデル(LLM)は最近、複雑な環境で対話的なエージェントのための強力なコントローラとして登場した。
本稿では,自動プロセス・リワードラベリングとポリシー学習を統一するLDMエージェントの自己進化フレームワークであるQ-Evolveを提案する。
我々は,AlfWorld,WebShop,ScienceWorldの手法を評価し,Q-Evolveがサンプル効率,堅牢性,全体的なタスク性能において高いベースラインを達成していることを示す。
論文 参考訳(メタデータ) (2026-06-05T15:09:52Z) - Counterfactual Multi-task Learning for Delayed Conversion Modeling in E-commerce Sales Pre-Promotion [11.889269457939905]
プロモーション前の段階では、ユーザーはすぐに購入することなく商品の検索やブラウジングに従事している。
この振る舞いは変換の遅れにつながるため、プロモーションデーの前に変換レート(CVR)が大幅に低下する。
当社のモデルには, 歴史的プレプロモーションデータを用いた直接変換と遅延変換を共同でモデル化するマルチタスクアーキテクチャ, (ii) 短いプレプロモーション期間中にデータの疎結合問題を緩和するパーソナライズされたユーザ行動ゲーティングモジュール, (iii) 加算から遅延変換への遷移確率をモデル化するための因果的アプローチの3つが組み込まれている。
論文 参考訳(メタデータ) (2026-04-23T13:42:14Z) - Towards Self-Evolving Benchmarks: Synthesizing Agent Trajectories via Test-Time Exploration under Validate-by-Reproduce Paradigm [60.36837655498119]
本稿では,トラジェクトリをベースとしたエージェント・ベンチマーク・複雑度進化フレームワークを提案する。
このフレームワークは、既存のベンチマークから元のタスクを受け取り、エージェントがそれをより難しい新しいタスクに進化させるよう促す。
GAIAベンチマークの実験では、TRACEフレームワークはタスクの複雑さを継続的に向上し、正確性の信頼性を向上させる。
論文 参考訳(メタデータ) (2025-10-01T01:52:52Z) - TAT: Temporal-Aligned Transformer for Multi-Horizon Peak Demand Forecasting [51.37167759339485]
本稿では,アプリロリで知られたコンテキスト変数を利用して予測性能を向上させるマルチホライゾン予測器であるTemporal-Aligned Transformer (TAT)を提案する。
我々のモデルはエンコーダとデコーダで構成されており、どちらもピーク需要予測のためのコンテキスト依存アライメントを学習するための新しい時間アライメントアテンション(TAA)を組み込んでいる。
以上の結果から,TATはピーク需要予測において30%の精度を実現し,他の最先端手法と比較して総合的な性能を維持した。
論文 参考訳(メタデータ) (2025-07-14T14:51:24Z) - Do Not Wait: Learning Re-Ranking Model Without User Feedback At Serving Time in E-Commerce [16.316227411757797]
本稿では,LASTというオンライン学習手法を新たに拡張したモデリング手法を提案する。
代理モデルを用いて、モデル改善を操縦するために必要な指導信号を提供することにより、ユーザフィードバックの要求を回避する。
LASTは既存のオンライン学習システムにシームレスに統合され、より適応的でレスポンシブなレコメンデーションエクスペリエンスを作成することができる。
論文 参考訳(メタデータ) (2024-06-20T05:15:48Z) - Emergent Agentic Transformer from Chain of Hindsight Experience [96.56164427726203]
簡単なトランスフォーマーベースモデルが時間差と模倣学習に基づくアプローチの両方と競合することを示す。
単純なトランスフォーマーベースのモデルが時間差と模倣学習ベースのアプローチの両方で競合するのはこれが初めてである。
論文 参考訳(メタデータ) (2023-05-26T00:43:02Z)
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。