30秒サマリー
- AIがML開発タスクを毎回ゼロから解く非効率を解消する新フレームワーク「HASTE」が発表された
- 過去の競合タスクで得た知識を階層的に整理・再利用することで、試行錯誤の反復回数を52%削減
- Kaggle競技22件での実証でメダル獲得率77.3%を達成し、ICML 2026ワークショップに採択
何が起きたか
カナダ・アルバータ大学のYongbin Kimらの研究チームは2026年6月29日、ML（機械学習）エンジニアリングエージェントの非効率を解消する階層型マルチエージェントシステム「HASTE（Hierarchical Accumulation of Skills for Transfer-Efficient ML Engineering）」を提案するarXiv論文を公開した。ICML 2026のDL4Cワークショップに採択済みだという。
現状のMLエージェントは、新しいタスクに取り組むたびにゼロから既知の手法を「再発見」するため、計算資源を無駄に消費している。HASTEはこの問題に対し、過去のタスクで獲得したスキルを「グローバル」「ドメイン」「タスク固有」の3階層に整理し、LLMが抽象化を担うオーケストレーターが階層間の知識継承を管理する仕組みを採用する。
論文が示すアブレーション実験では、159件のスキル一覧を8つのコンペティションに対して適用した際、階層的なスキル読み込みを行うと100%のメダル獲得率を達成した一方、スキルをフラットに読み込む方式ではわずか62.5%にとどまり、スキルをまったく使わない場合と同率だったとしている。さらにフラット方式は出力トークン数も2倍を消費したとされる。
Kaggle競技22件を対象とするMLE-Bench Liteベンチマークでは、Claude Sonnet 4.6を用いて1競技あたり12時間の制限下でメダル獲得率77.3%を記録。スキル蓄積なしの「コールドスタート」に比べ、スキルを50件以上保有する「ウォームスタート」状態では、エージェントが提案した変更の採用率が42%から85%に向上し、改良反復回数が52%減少したとしている。
原典ハイライト
論文の核心は「知識の階層的スコープが性能を左右する」という実証にある。同じ159件のスキルを保持していても、階層別に絞り込んで読み込む方式と一括読み込み方式とでは、メダル獲得率に100%対62.5%という大きな差が生じた。研究チームは「より良い知識の組織化は、モデルの性能やコンピュート予算の一部を代替できる可能性がある」と論文内で述べている。
出典: arXiv cs.AI（論文）
So What?（なぜ重要か）
AIエージェントによるコード生成・ML開発が実務に広がりつつあるなか、「毎回ゼロスタート」という根本的な非効率が定量的に示された。HASTEのアプローチが示すのは、モデルを大型化・高コスト化せずとも、知識の組織化と再利用設計によって性能とコスト効率を同時に改善できるという可能性だ。AI開発ツールの設計思想そのものに影響を与えうる知見といえる。
日本企業への示唆
自社のAI開発・データサイエンスチームが複数プロジェクトを横断的に進めている場合、過去のノウハウがプロジェクトをまたいで活用されているかを点検する価値がある。HASTEの概念を参考に、社内のMLエンジニアリング知識をグローバル・ドメイン・タスク別に構造化して蓄積する仕組みを整えることで、エージェント活用時の試行錯誤コストと所要時間を削減できる可能性がある。また、AIツールベンダーを選定・評価する際には、知識の継続的蓄積・再利用機能の有無を評価軸に加えることが有効と考えられる。
背景・経緯
Kaggleなどのデータサイエンス競技を模したMLE-Benchは、AIエージェントのML開発能力を評価する代表的なベンチマークとして研究コミュニティで活用されている。原文によれば本研究はICML 2026のワークショップ（Deep Learning for Code）に採択されており、実用的なML自動化エージェントの研究として注目を集めているとみられる。
