2026年01月19日
## 要約：
最新のコード生成モデルを活用し、機械学習の特徴量エンジニアリングを自動化する手法を提案。LLMを活用したプランナーが、チーム環境を考慮し、複数のエージェントを調整・連携させることで、より信頼性・保守性の高いコードを生成。実証実験では、既存の手法と比較して大幅な性能向上と、開発サイクルの短縮を実現した。
---
## 翻訳：
arXiv:2601.10820v1 Announce Type: new
概要：最近のコード生成モデルの進歩は、特徴量エンジニアリングを自動化する前例のない機会をもたらしましたが、その採用は、(i) プロダクションレベルの特徴量エンジニアリングの反復的で複雑なコーディングプロセスを捉えているデータセットの不足、(ii) チームの独自のツール、コードベース、ワークフロー、およびプラクティスとの、広く使用されているコーディングエージェント（CoPilotやDevinなど）の統合とパーソナライズの限界、(iii) 適切でないタイミングや不十分なフィードバックによるサブオプティマルな人間-AIコラボレーションといった重要な課題によって制限されています。私たちは、これらの課題に対処するために、プランナーガイド型、制約付きトポロジーのマルチエージェントフレームワークを開発し、多段階的にリポジトリのコードを生成します。LLM搭載プランナーは、チームの環境を表すグラフを活用して、利用可能なエージェントへの呼び出しを調整し、コンテキストに応じたプロンプトを生成し、ダウンストリームの失敗を利用して遡及的にアップストリームのアーティファクトを修正します。重要な段階で人間の介入を要求することで、生成されたコードが信頼性が高く、保守可能で、チームの期待に沿ったものになることを保証します。新規の社内データセットでは、私たちの方法は、手作業で作成されたワークフローと比較して38％の改善、計画されていないワークフローと比較して150％の改善を評価指標で達成しました。実際には、1億2000万人以上のユーザーにサービスを提供するレコメンデーションモデルの特徴を構築する際、私たちの方法は、特徴量エンジニアリングサイクルを3週間から1日に短縮することで、現実的な影響をもたらしました。
[📰 原文はこちら](https://arxiv.org/abs/2601.10820)
---
※本記事はAI（Ollama）による自動翻訳・要約です。
BittensorManがお勧めするメーカーリスト
https://exbridge.jp/xdirect/
AI時代の技術と知識のまとめ(AI生成メディア) - AIDexx
https://exbridge.jp/aidexx/
頑張って働く人に向けて、プロ用仕事アイテムを格安でネット販売しているX-Direct（ https://exdirect.net ）を、BittensorManは応援しています。
動画の最後にお得な情報がありますので、
最後までご覧ください。
