Kei Moriyama keimoriyama

📄論文情報

• Adaptive Acquisition Selection for Bayesian Optimization with Large Language Models
• ICLR 2026

🔑この論文のキーメッセージ

• LLMに獲得関数を選択させることで、ベイズ最適化の効率が上がる

🎓どういう問題に取り組んだのか

• ベイズ最適化に使用する獲得関数をLLMに選択させる手法を提案した
  • LLMを活用することで、ベイズ最適化の状態などのメタ情報を扱うことができるようになっている

🧑‍🎓その問題に取り組むことがなぜ重要なのか

• 獲得関数の性能はベイズ最適化において重要なパーツの一つである
  • そのため、適応的に獲得関数を選択することが性能の向上に繋がる
• 既存の手法では、評価値を元に獲得関数を決定している
  • ベイズ最適化の現在のステップ数などの情報を扱うことができない

💡問題解決に向けたキーアイデアは何か

• プロンプトにベイズ最適化の状態などの様々な情報を与える
• この与えられた情報を元にLLMは、獲得関数を選択する

👀新たに分かったことは何か

• 提案手法により、ベイズ最適化の性能が安定するようになっている
  • LLMを組み込むに当たって、ベイズ最適化の状態を含めることで安定性が向上している
• 性能がLLMの性能に依存する
  • パラメータ数を増やすとその分だけ、性能が向上していた
• LLMの選択する獲得関数には傾向がある
  • 状態を考慮して選択していると言えるかもしれない
  • 探索と活用を考慮して選択していそうな結果が得られている

❓疑問点は何か

• LLMの性能に依存する話ではある
• プロンプト頑張るとICLRに論文が通るような雰囲気を感じる

📄論文情報

• Unleashing LLMs in Bayesian Optimization: Preference-Guided Framework for Scientific Discovery
• ICLR 2026

🔑この論文のキーメッセージ

• LLMにベイズ最適化の探索範囲を推定させることで、探索が効率的になる

🎓どういう問題に取り組んだのか

• ベイズ最適化とLLMを組み合わせるフレームワークを提案する
• ベイズ最適化の一部にLLMを活用するのではなく、最適化プロセスにLLMを組み込む

🧑‍🎓その問題に取り組むことがなぜ重要なのか

• AI4Scienceに向けて、ベイズ最適化とLLMの活用が注目されている
• ベイズ最適化とBOを組み合わせる研究が提案されているが、良い初期値を与えるためや、獲得関数として活用されている
• そのため、最適化プロセスの中に直接組み込まれていない

💡問題解決に向けたキーアイデアは何か

• LLMは良い探索範囲を提案できると仮定する
  • LLMが提案した探索範囲をBOで扱えるように拡張する
  • 提案する点については、プロンプトで指定するようにしている
• 提案した探索範囲を離散値に変換し、ベイズ最適化で扱えるようにしている
• 離散値に変換する時に重みなどのパラメータを設定しているっぽい

👀新たに分かったことは何か

• 実際の環境とシミュレーションを使って実験している
• シミュレーション実験においては、他のベイズ最適化と比較して、最適値に収束するのが早い
  • 加えて、最適値の値が大きくなっている
• 実実験においても同様の結果が得られている
  • LLMにより探索範囲を推定させることで、効率が良くなっている

❓疑問点は何か

• 使用するLLMの性能に依存しそう
• 実際の環境を使った実験があるのは凄い

📄論文情報

• Activation Space Interventions Can Be Transferred Between Large Language Models
• ICML 2025 poster

🔑この論文のキーメッセージ

• AutoEncoderを使うことで、中間表現への介入ベクトルを転移させることができる

🎓どういう問題に取り組んだのか

• ある言語モデルAにおける介入ベクトルが、別の言語モデルBにおいて同じ効果があるのか分析する

🧑‍🎓その問題に取り組むことがなぜ重要なのか

• これまでの言語モデルの研究は言語モデル間の中間表現の類似度に注目してきた
• 一方で、実用的な介入技術においては無視され続けてきたため、実用面における評価が求められている

💡問題解決に向けたキーアイデアは何か

• 介入ベクトルの学習におけるマッピング関数の学習には、オートエンコーダーを使用して学習している
  • 一層の非線形関数を用いたシンプルなものを使っている
• 学習した特徴量を用いて介入するか、特徴量そのものを入れ変えるなどして性能を評価している

👀新たに分かったことは何か

• 転移できているのか?
• 論文中の言葉の意味がよく分からなかった
  • Table 1の結果を見た感じでは、介入によりベンチマークの性能が良くなっている
  • 線形エンコーダーよりも性能が良いので、非線形関数を使うことで有効な特徴量が学習できていると言えるかも
• 他の結果も良さそうだった、よく分からなかったけど

❓疑問点は何か

• 実験に使用しているLLMが小規模な気がする
• タスクが簡単に見える

📄論文情報

• Bayesian Optimization from Human Feedback: Near-Optimal Regret Bounds
• ICML 2025

🔑この論文のキーメッセージ

• ….?

🎓どういう問題に取り組んだのか

• 一対比較によるフィードバックを用いたベイズ最適化のregret boundを解析した
• この解析結果を元に新しいベイズ最適化のアルゴリズムを提案した

🧑‍🎓その問題に取り組むことがなぜ重要なのか

• 既存の解析論文では、ある定数がついていたが、この論文でこの定数を減らしても良い事を示した
• 通常のベイズ最適化とは異なり、評価値が一対比較であるため、regret boundの解析が複雑である

💡問題解決に向けたキーアイデアは何か

• よく分からなかった
• 理論的な事を理解するための知識が足りなすぎ

👀新たに分かったことは何か

• 何が分かれば分かるようになるのか分からない

❓疑問点は何か

📄論文情報

• Comparison-based Active Preference Learning for Multi-dimensional Personalization
• ACL 2025 main

🔑この論文のキーメッセージ

• 様々な評価軸に重みを持たせることで、多様な価値観を考慮したLLMを作成することができる

🎓どういう問題に取り組んだのか

• 人間の多様な好みに合わせてLLMを最適化すること
  • LLMは与えられたコンテキストに合わせた文章を生成する
  • 生成した文章に対してd次元の報酬が与えられる
  • この報酬に対する重みを個人に最適化し、LLMの生成文章の条件付ける

🧑‍🎓その問題に取り組むことがなぜ重要なのか

• 個人の価値観に合わせた文章を生成する技術が求められている
• 一方で、既存の学習手法は、一つの観点からの学習しかできずに、多様で複雑な人間の観点を反映することができない

💡問題解決に向けたキーアイデアは何か

• active learningベースの手法を提案した
• フィードバックの形式は、一対比較になっている
• クエリの選択方法としては、目的関数の期待値が最大になるものを用いている
  • この目的関数は、重みなどのパラメータを考慮した関数になっている
• 重みの更新はベイズ推論により推定される
  • 報酬の差が最大になるように学習されているっぽい

👀新たに分かったことは何か

• 実験は人間の変わりにLLMを使用して評価している
• 報酬関数は、様々な観点からの評価を行う既存の報酬モデルを使用している
  • 人間のプロファイルとして、重みを事前に決めておき、この重みで条件付けしたLLMにより文章を生成している
• 最適化の効率が既存の手法よりも良い結果であった
  • win-rateも既存手法より良いので、改善方法として妥当であることが分かる

❓疑問点は何か

• 良さそう。
• 人間の報酬モデルは既知ではないから、実用性があまり無い気がする
• 獲得関数の設計は参考になる

📄論文情報

• From Outcomes to Processes: Guiding PRM Learning from ORM for Inference-Time Alignment
• ACL 2025 Long

🔑この論文のキーメッセージ

• （1, 2文でまとめる）

🎓どういう問題に取り組んだのか

• Reward Guided Searchは、LLMが生成した複数の文章から報酬モデルの値を用いて文章を選択する手法である
• この文章の選択に使用する報酬モデルの出力に一貫性を持たせることを目指す

🧑‍🎓その問題に取り組むことがなぜ重要なのか

• 報酬モデルは、文章の全体を評価するように学習される
• そのため、文章の一部を評価する時に報酬の一貫性が無くなる課題がある
  • 特に、冗長な文章を高く評価する傾向がある
• この報酬モデルを再学習するには計算コストが多くかかるため、既存のモデルを使用しつつ、報酬の計算を工夫することで、より良い文章の選択が可能になる

💡問題解決に向けたキーアイデアは何か

• スコアの計算時にscore consistencyの分析をしている
• Score Consistencyの定義
  • 文章AとBにおける報酬値r(A)とr(B)がある時、AとBの部分文字列aとbにおける報酬r(a)とr(b)は、以下の関係が成立する
    • r(A)>r(B) -> r(a) > r(b)
  • RGSでは、新しいトークンを選択する時に、これまで生成された文章と新しいトークンを繋げた文章の報酬が最大になるように選択するため、重要な性質になる
  • この時、部分文字列を評価することになるため、文章の部分文字列の評価の一貫性が必要
• 既存の報酬モデルは部分文字列の評価に一貫性が無いため、部分文字列を評価するためのデータセットを構築し、報酬モデルを学習した
• 学習には、報酬モデルの分布の差のエントロピーを重みとして使用している

👀新たに分かったことは何か

• 文章全体を評価するように学習された報酬モデルは、Score Consistencyを満たさない

  • 報酬モデルの学習に使用するデータセットの部分文字列が、良いと評価された文章の方が高くなる割合で評価した

  • 5トークンで、57%くらいであり、50トークンまで増やすと60%まで上がる

  • 一方で、人間との評価の一致度は高い

  • 提案手法により学習した報酬モデルは、5トークンで55%、50トークンで65%まで改善した

• ベンチマークにおける評価は、報酬の平均値や文章の多様性などで評価

  • 様々なチャンクで文章を区切る方法に提案手法により学習した報酬モデルを使用したっぽい
  • 報酬の値などのスコアを見ると、既存の手法を改善できていると言える

❓疑問点は何か

• 着眼点が良いと思った
• 報酬モデルの学習が必要になっているのはネックになっていないのか気になった。

📄論文情報

• Meta-Tool: Unleash Open-World Function Calling Capabilities of General-Purpose Large Language Models
• ACL2025 main

🔑この論文のキーメッセージ

• プロンプトにツール情報が含まれない時、LLMの仮説生成+埋め込み検索が効果的である

🎓どういう問題に取り組んだのか

• LLMと外部ツールの連携をするためのフレームワークを提案する
• 外部ツールと連携する時にプロンプトに外部ツールの情報が与えられないケースを想定している

🧑‍🎓その問題に取り組むことがなぜ重要なのか

• プロンプトにユーザーの指示が含まれるということは、ユーザーが事前に使用できるツールを知っている必要がある
  • この状況は、LLMの性能が一定の範囲しか発揮されないため、に制限をかけていることになる
• そのため、ユーザーの指示に応じてツールを選択し、呼び出す必要がある
  • これを、オープンワールドファンクションコーリングと呼んでいる

💡問題解決に向けたキーアイデアは何か

• LLMの推論のためのフレームワークと、学習と評価のためのデータセットを構築した
• 推論のフレームワークには、hypothesize(仮説生成)-retrieve(検索)-invoke(呼び出し)フレームワークとしている
  • Hypothesize(仮説生成)
    • LLMがユーザーの指示から、必要なツールの要件や引数を推論する
  • Retrieve(検索)
    • テキスト埋め込みモデルを使用した検索システムを採用している
    • 推論したツール要件や引数を埋め込み表現に変換し、 類似度を計算している
  • Invoke(呼び出し)
    • ツールに対するクエリを生成する
• データセットには、既存のデータセットをオープンワールド形式に拡張するための方法を提案している
  • 拡張として、データセット内で呼び出されているツールをLLMで類似の形式に変換している
  • 変換後のツール呼び出しについて、推論プロセスを生成する
  • この生成した一連のデータをルールベースやLLMベースの方法により評価する

👀新たに分かったことは何か

• simpleタスクとhardタスクがあり、それぞれについてLLMを評価した
  • hardは、拡張したツール呼び出しや、呼び出しの回数が多いデータが含まれる
• 評価の結果、学習したモデルがGPT-4oやオープンソースモデルよりも性能が良いことが分かった
• 検索システムは、キーワードベースの手法と比較していて、提案手法の方がhard設定で良い性能であった。
  • シンプルな設定では、ますおこまで差がでないように見える
  • 埋め込みベースの他のモデルと比較しなくて良いのだろうか？

❓疑問点は何か

• 仮説生成がどれだけ効くのか気になる
• 埋め込みベースの検索が効くのは分かるが、ベースラインが弱いのでは？
  • 他の良さそうな方法は思いつかないけど
  • ツール呼び出しならではの検索システムとか考えることができそう
  • 引数の型は大きな制約の一つになると思う

📄論文情報

• ToolACE: Winning the Points of LLM Function Calling
• ICLR 2025

🔑この論文のキーメッセージ

• 人工APIをLLMが生成することで、LLMのツール呼び出しの性能を向上させることができる。

🎓どういう問題に取り組んだのか

• ツール呼び出しタスクの学習に使用するためのデータを生成するパイプラインを作成する
• マルチターンなどの複雑なタスクが必要な状況を想定する

🧑‍🎓その問題に取り組むことがなぜ重要なのか

• 現実世界におけるツール呼び出しは複雑である
  • ユーザーの指示の多様さや曖昧さ、zero-shot推論だけではなく、複数のツールの組み合わせが必要なケースがある

💡問題解決に向けたキーアイデアは何か

• データ生成パイプラインとして以下の3ステップを提案した

  1. ツール生成

     • Tool Self-Evolution Synthesisという方法を提案した
     • 最初に、事前学習用のデータからAPIの情報を抽出する
       • 人工APIの分類を指しているのかも？
     • 作成したノードを基に、APIが対応している範囲を調査する
       • フィードバックをしていると考えて良さそう
     • フィードバックを基に、APIの仕様を改善する

  2. 対話生成

     • user、assistant、toolのそれぞれのroleをLLMが生成する
     • 対話の複雑さを評価するために、コンテキストから次のステップのトークンが生成される確率の平均値を使用している

  3. 検証

     • ルールベースの評価とLLMによる評価によるデータセットの評価が適用される

     • LLMの評価は、ハルシネーションの確認、レスポンスの一貫性、ツール呼び出しの適切さで評価される

👀新たに分かったことは何か

• 8Bモデルを学習し、BFCLとAPI-Bankで評価した
• BFCLの評価では、オープンソースのモデルよりも良い性能であった
  • xLAMよりも性能が良く、GPT-4oの一部のモデルよりも良い
  • 特に、Non-liveが強くなっている
• API-Bankにおいても同様の傾向がある

❓疑問点は何か

📄論文情報

• API-Bank: A Comprehensive Benchmark for Tool-Augmented LLMs
• EMNLP 2023 main

🔑この論文のキーメッセージ

• Tool Callingタスクのデータの構築において、多様なドメインを含めることが重要である。

🎓どういう問題に取り組んだのか

• LLMが外部ツールを使用する能力を評価するためのベンチマークを構築した

🧑‍🎓その問題に取り組むことがなぜ重要なのか

• LLMの性能は学習データに依存するため、最新の情報を応答に反映することができない
• 外部ツールを使用することで、最新の情報に対応することができるが、LLMの外部ツールの性能評価はされていない

💡問題解決に向けたキーアイデアは何か

• LLMのAPI呼び出し性能を評価するためのベンチマークデータセットと学習データを構築した
• ベンチマークデータセットの構築
  • LLMの能力を評価する上で、APIの呼び出し回数と呼び出すことのできるAPIの数を基準にタスクを構築
  • タスクの分類は以下の三種類
    • Call : 一回以上のAPI呼び出しで、APIの数が少ない
    • Retrieve+Call : 一回のAPI呼び出しで、APIの数が多い。LLMには使用できるAPIが与えられない。
    • Plan+Retrieve+Call : 複数回の呼び出しで、APIの数が多い。LLMには使用できるAPIが与えられない
  • ベンチマークに使用されるAPIは、実際に実装している(おそらく架空のAPI)
  • アノテーションは人手で行うようにしている
  • 評価指標は、LLMが作成したクエリの正解率とAPIの応答を基に生成した文章のROUGE-Lスコアを使用している
• 学習データセットの構築
  • データセットはLLMを用いて作成された合成データセットを用いる
  • 生成は五つのLLMが独立してデータを生成する
    1. ヘルスケアなどのデータのドメインを指定する
    2. ドメインを基にAPIを合成する、合成時には実データを例として与えている
    3. 合成されたAPIをランダムサンプリングし、クエリを作成する
    4. APIのレスポンスを生成する
    5. データセットに沿う内容になっているか、評価し、フィルターする

👀新たに分かったことは何か

• Lynxというモデルを提案手法により作成されたデータセットを用いて評価した
• 学習することで、LLMの性能が向上することが分かった
  • 同じようなデータになっているなら、当然な気がする
  • エラーの傾向として、学習前はAPIの呼び出しが無いケースが多いが、学習後はAPIの関数名の間違えているケースに変化した
• ベンチマークについては、GPTなどのモデルと比較すると、Callが一番簡単で、Plan+Retrieve+Callが難しい傾向がある
• ToolAlpacaと比較すると、少ないデータで同等の性能が得られた
  • 高品質なデータであると言えるのか？評価データによって結果が変わりそう

❓疑問点は何か

• ベンチマークと学習データを同じような方針で作成したら、評価結果が良くなるのは当たり前ではと思った
• 手法自体は参考になりそう

📄論文情報

• AgentTuning: Enabling Generalized Agent Abilities for LLMs
• ACL 2024 findings

🔑この論文のキーメッセージ

• NLPとエージェントタスクの損失関数の重み付き和を使うことで、NLPタスクの性能を維持しつつ、エージェントタスクの性能が向上する。

🎓どういう問題に取り組んだのか

• LLMのエージェント性能を向上させるためのデータセット構築、学習パイプラインを提案した

🧑‍🎓その問題に取り組むことがなぜ重要なのか

• 既存のエージェントタスクの手法はプロンプトや特定のエージェントタスク偏っている
• NLPにおけるタスクの能力を維持しつつ、エージェントタスクの能力を向上する必要がある

💡問題解決に向けたキーアイデアは何か

• データセットの構築には、self-instrcutを使用している
  • 既存のデータセットにあるユーザーとエージェントのインタラクションの続きを、GPT-4により生成する
  • 最終的なエージェントの行動の結果は報酬として評価される
    • この報酬は、タスク毎に設計されていて、報酬の値を基にフィルタリングをしている
• 学習に使用するデータセットは、上記の方法で構築されたデータセットと指示学習用のものの二つを用いる
  • 損失関数には、それぞれのデータセットに対するクロスエントロピーの重み付け和を使用している

👀新たに分かったことは何か

• held-in、heol-outなタスクにおいてGPT-4や3.5と同等の性能を示した
  • これが公平な比較になっているかは分からない
• 公開されているLlamaよりも基本的なエラーが減少している
• 学習には、エージェントタスクだけではなく、指示学習用のデータも混ぜた方が汎化性能が向上する
  • 出力を見た感じでは、想定しているエージェントタスクと違うのかも？

❓疑問点は何か

• 損失関数を混ぜることと、継続学習でどちらが有効なのか気になった