論文の概要: Evolutionary Context Search for Automated Skill Acquisition

• arxiv url: http://arxiv.org/abs/2602.16113v1
• Date: Wed, 18 Feb 2026 00:47:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.480979
• Title: Evolutionary Context Search for Automated Skill Acquisition
• Title（参考訳）: 自動スキル獲得のための進化的文脈探索
• Authors: Qi Sun, Stefan Nielsen, Rio Yokota, Yujin Tang,
• Abstract要約: 進化的コンテキスト探索(Evolutionary Context Search, ECS)は,小さな開発セットの精度を用いてコンテキストの組み合わせを探索する進化的手法である。 実証実験の結果、ECSはBackendBenchを27%改善し、$-benchを7%改善した。
• 参考スコア（独自算出の注目度）: 22.405645674869433
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models cannot reliably acquire new knowledge post-deployment -- even when relevant text resources exist, models fail to transform them into actionable knowledge without retraining. Retrieval-Augmented Generation attempts to bridge this gap by surfacing relevant documents at inference time, yet similarity-based retrieval often fails to identify context that actually improves task performance. We introduce Evolutionary Context Search (ECS), an evolutionary method that searches context combinations using accuracy on a small development set, requiring only inference calls without weight updates. ECS moves beyond semantic similarity to discover non-obvious context pairings that significantly boost performance. Our empirical results show that ECS improves BackendBench by 27\% and $τ$-bench airline by 7\%. The evolved contexts are model-agnostic, as those evolved with Gemini-3-Flash transfer effectively to Claude Sonnet and DeepSeek. This suggests that ECS opens a path toward automated context discovery for skill acquisition -- an efficient alternative to manual prompt engineering or costly fine-tuning.
• Abstract（参考訳）: 大規模な言語モデルは、デプロイ後の新たな知識を確実に取得することはできない -- 関連するテキストリソースが存在するとしても、モデルは、再トレーニングなしに、それらを実行可能な知識に変換することができません。 検索-拡張生成(Retrieval-Augmented Generation)は、関連する文書を推論時に参照することで、このギャップを埋めようとするが、類似性に基づく検索は、タスクのパフォーマンスを実際に改善するコンテキストを特定するのに失敗することが多い。 進化的コンテキスト探索(Evolutionary Context Search, ECS)は、小さな開発セットの精度でコンテキストの組み合わせを探索する進化的手法である。 ECSはセマンティックな類似性を超えて、パフォーマンスを大幅に向上させる、予期せぬコンテキストペアリングを発見する。 実験の結果,ECS は BackendBench を 27 %,τ$-bench を 7 % 改善した。 Gemini-3-FlashがClaude SonnetとDeepSeekに効果的に移行したことで進化したコンテキストはモデルに依存しない。 これは、ECSがスキル獲得のための自動コンテキスト発見への道を開くことを示唆している。

関連論文リスト

• SkillRL: Evolving Agents via Recursive Skill-Augmented Reinforcement Learning [83.98129545309277]
  生経験と政策改善のギャップを埋めるフレームワークであるSkillRLを提案する。 本手法では,階層型スキルライブラリであるSkillBankを構築するために,経験に基づく蒸留機構を導入する。 ALF、WebShop、および7つの検索強化タスクの実験結果は、SkillRLが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-02-09T03:17:17Z)
• Multi-hop Reasoning via Early Knowledge Alignment [68.28168992785896]
  アーリー・ナレッジ・アライメント(EKA)は、大規模言語モデルと文脈的に関連づけられた知識を整合させることを目的としている。 EKAは検索精度を大幅に改善し、カスケードエラーを低減し、性能と効率を向上する。 EKAは、大規模モデルにシームレスにスケールする、多目的でトレーニング不要な推論戦略として有効である。
  論文  参考訳（メタデータ） (2025-12-23T08:14:44Z)
• WebSeer: Training Deeper Search Agents through Reinforcement Learning with Self-Reflection [51.10348385624784]
  本稿では,自己回帰機構によって強化された強化学習によって訓練された,よりインテリジェントな検索エージェントであるWebSeerを紹介する。 提案手法はツール使用チェーンを大幅に拡張し,回答精度を向上する。
  論文  参考訳（メタデータ） (2025-10-21T16:52:00Z)
• Birdie: Advancing State Space Models with Reward-Driven Objectives and Curricula [23.071384759427072]
  状態空間モデル(SSM)はトランスフォーマーよりも利点があるが、長期のコンテキスト内検索のようなテキストコピー、連想リコール、質問応答を必要とするタスクに苦労する。 本研究では,SSMのコンテキスト内検索能力を大幅に向上する新たな学習手法であるBirdieを提案する。
  論文  参考訳（メタデータ） (2024-11-01T21:01:13Z)
• Written Term Detection Improves Spoken Term Detection [9.961529254621432]
  本稿では、インデックスや検索を複雑にすることなく、未完成のテキストをE2E KWSに統合できるマルチタスク学習目標を提案する。 音声文書からテキストクエリを検索するためのE2E KWSモデルのトレーニングに加えて,マスクした文書からテキストクエリを検索するための共同トレーニングを行う。 提案手法は, 多様な言語を対象とした検索性能を大幅に向上させるとともに, KWS の未実装テキストを効果的に活用できることを示す。
  論文  参考訳（メタデータ） (2024-07-05T15:50:47Z)
• Learning to Filter Context for Retrieval-Augmented Generation [75.18946584853316]
  生成モデルは、部分的にまたは完全に無関係な経路が与えられた出力を生成するために要求される。 FILCOは、語彙と情報理論のアプローチに基づいて有用なコンテキストを特定する。 テスト時に検索したコンテキストをフィルタリングできるコンテキストフィルタリングモデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-11-14T18:41:54Z)
• Enhancing Retrieval-Augmented Large Language Models with Iterative Retrieval-Generation Synergy [164.83371924650294]
  検索と生成を反復的に同期させるIter-RetGenと呼ばれる手法により,高い性能が得られることを示す。 モデル出力は、タスクを完了するために必要なものを示し、より関連する知識を取得するための情報的コンテキストを提供する。 Iter-RetGenプロセスは、すべての知識を全体として取得し、構造的な制約なしに生成時の柔軟性をほとんど保持します。
  論文  参考訳（メタデータ） (2023-05-24T16:17:36Z)

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。