arXiv cs.AIは11月12日(現地時間)、「AgentSSL: Can MLE Agents Leverage Unlabeled Data?」と題した論文を公開しました。この論文では、機械学習(ML)エージェントがラベルなしデータを活用する新たな半教師あり学習(SSL)手法「Agentic Semi-Supervised Learning(AgentSSL)」を提案。限られた教師データの下でSSLをプログラム探索問題として扱い、エージェントが合成したコードが12の設定中8つで、人間が設計した既存のベースラインを最大21.8%上回る性能を示したと報告しています。
機械学習システムを新たなドメインに適用する際、ラベル付きデータの取得と手動によるパイプライン設計が大きな課題となっています。近年のMLEエージェントはパイプライン設計の自動化に期待を集めていますが、これまでの研究は主に完全に教師ありの設定に限定されており、ラベル付きデータが少なく、ラベルなしデータが豊富な現実環境での検証は不足していました。
AgentSSLは、この課題に対し、SSLをプログラム探索問題として再定義し、限られた教師データの下でエージェントがこの探索空間をどのようにナビゲートするかを研究しました。その結果、弱いフィードバックと同等の計算リソース条件下でも、エージェントは確立されたSSL技術を組み合わせて適応するコードを合成できることが判明しました。これにより、エージェントの生成コードは、12の評価設定のうち8つで最も強力な人間設計ベースラインを最大21.8%上回る性能を達成しました。
一方で、研究ではプログラム選択がAgentSSLにおける重要なボトルネックであることが特定されました。エージェント自身のフィードバック指標に基づいてプログラムを選択した場合、性能が最大47%低下する可能性が示されています。このボトルネックを体系的に研究するため、ProgramSelectBenchという大規模なベンチマークが導入されました。ProgramSelectBenchは、合計16,977個のエージェント生成および人間設計のSSLプログラムを含み、教師なしおよびアクティブなプログラム選択方法の両方が評価されました。
さらに、AgentSSLは実世界の生態検出タスクで評価され、制御されたベンチマークを超えてエージェントが発見した戦略を転送する機会と課題が強調されています。この研究論文の著者には、Ethan Lin氏、Akanksha Sarkar氏、Ziang Liu氏、Kristin Branson氏、Jennifer J. Sun氏が含まれます。この研究はNeurIPS 2026で発表されました。
参考: arXiv cs.AI (アーカイブ) — 2026年11月13日 03:59 (JST)