Fugu-MT 論文翻訳(概要): A Reference Architecture of Reinforcement Learning Frameworks

論文の概要: A Reference Architecture of Reinforcement Learning Frameworks

arxiv url: http://arxiv.org/abs/2603.06413v1
Date: Fri, 06 Mar 2026 15:51:34 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-09 13:17:46.176979
Title: A Reference Architecture of Reinforcement Learning Frameworks
Title（参考訳）: 強化学習フレームワークのリファレンスアーキテクチャ
Abstract要約: 強化学習(RL)アプリケーションは、RLフレームワークのような多様なサポート技術を生み出した。比較、評価、統合の共通基盤を形成する参照アーキテクチャ(RA)は存在しない。
参考スコア（独自算出の注目度）: 9.087189607749094
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The surge in reinforcement learning (RL) applications gave rise to diverse supporting technology, such as RL frameworks. However, the architectural patterns of these frameworks are inconsistent across implementations and there exists no reference architecture (RA) to form a common basis of comparison, evaluation, and integration. To address this gap, we propose an RA of RL frameworks. Through a grounded theory approach, we analyze 18 state-of-the-practice RL frameworks and, by that, we identify recurring architectural components and their relationships, and codify them in an RA. To demonstrate our RA, we reconstruct characteristic RL patterns. Finally, we identify architectural trends, e.g., commonly used components, and outline paths to improving RL frameworks.
Abstract（参考訳）: 強化学習(RL)の応用が急増し、RLフレームワークのような多種多様な支援技術がもたらされた。しかし、これらのフレームワークのアーキテクチャパターンは実装間で一貫性がなく、比較、評価、統合の共通基盤を形成する参照アーキテクチャ(RA)は存在しない。このギャップに対処するため、我々はRLフレームワークのRAを提案する。基礎理論のアプローチにより、18の実践的RLフレームワークを分析し、それにより、繰り返し発生するアーキテクチャコンポーネントとその関係を識別し、それらをRAで符号化する。 RAを実証するため,特徴的RLパターンを再構成した。最後に、アーキテクチャのトレンド、例えば、一般的に使われているコンポーネントを特定し、RLフレームワークを改善するためのパスを概説する。

関連論文リスト

Reference Architecture for Metadata-driven Services to Promote Reusability in Software Systems [9.08821501669487]
サービスベースのアーキテクチャは、その中心となる設計目標に再利用性を置くが、クライアント間の構造的不均一性は、しばしば同様の機能を持つサービスの作成を促進し、システムの進化と保守性を損なう。サービス再利用性を促進するためのコアメカニズムとしてメタデータを利用する参照アーキテクチャを提案し、検証し、異種データを受け入れます。提案するRAは,同一目的のパターン言語に基づいて設計され,シナリオベース評価とケーススタディの2つの確立された手法を組み合わせることで評価される。
論文参考訳（メタデータ） (2026-06-15T13:27:29Z)
MARLIN: Multi-Agent Reinforcement Learning for Incremental DAG Discovery [50.18870781255611]
インクリメンタルDAG学習のための効率的なマルチエージェントRLベースのアプローチであるMARLINを提案する。合成データセットと実データセットの実験により、MARLINは効率と有効性の両方の観点から、技術手法の状態を上回ります。
論文参考訳（メタデータ） (2026-03-19T02:59:42Z)
Engineering the RAG Stack: A Comprehensive Review of the Architecture and Trust Frameworks for Retrieval-Augmented Generation Systems [0.0]
この記事では、2018年から2025年までの学術研究、産業応用、実世界の展開に関する体系的な文献レビューを提供する。レジリエンス、セキュア、ドメイン適応可能なRAGシステムのデプロイのための実践的なフレームワークを提供する。
論文参考訳（メタデータ） (2025-11-07T16:26:29Z)
A Unified Framework for Zero-Shot Reinforcement Learning [0.2951541543732647]
ゼロショット強化学習(Zero-shot reinforcement learning, RL)は、一般エージェントを教師なしで開発するための場として登場した。関心が高まりつつあるにもかかわらず、この分野には共通の分析レンズがない。ゼロショットRLのための最初の統一フレームワークを提案する。
論文参考訳（メタデータ） (2025-10-23T13:30:26Z)
AR-GRPO: Training Autoregressive Image Generation Models via Reinforcement Learning [56.71089466532673]
本稿では,自己回帰(AR)画像生成モデルにオンラインRLトレーニングを統合するアプローチであるAR-GRPOを提案する。クラス条件(クラス・ツー・イメージ)とテキスト条件(テキスト・ツー・イメージ)の両方のイメージ生成タスクについて包括的な実験を行う。その結果,様々な評価指標に対して一貫した改善が得られた。
論文参考訳（メタデータ） (2025-08-09T10:37:26Z)
REDELEX: A Framework for Relational Deep Learning Exploration [0.0]
近年、深層学習は、RDBをグラフ構造として概念化する新しいパラダイムとして登場した。様々なRDLモデルと基礎となるRDBの特徴との関係について分析することができない。 REDELEX$-$aの総合的な探査フレームワークを70以上のRDBの最も多様なコレクション上で、様々な複雑さのRDLモデルを評価する。
論文参考訳（メタデータ） (2025-06-27T13:05:15Z)
The Architecture Tradeoff and Risk Analysis Framework (ATRAF): A Unified Approach for Evaluating Software Architectures, Reference Architectures, and Architectural Frameworks [0.0]
アーキテクチャトレードオフとリスク分析フレームワーク(ATRAF)について紹介する。 ATRAFは、アーキテクチャレベルを越えたトレードオフとリスクを評価するシナリオ駆動のフレームワークである。アーキテクチャアーティファクトの継続的な洗練をサポートしながら、感受性、トレードオフ、リスクの識別を可能にする。
論文参考訳（メタデータ） (2025-05-01T17:48:52Z)
Crossing the Reward Bridge: Expanding RL with Verifiable Rewards Across Diverse Domains [92.36624674516553]
検証可能な報酬付き強化学習(RLVR)は、大規模言語モデル(LLM)の数学的推論と符号化性能の向上に成功している。本稿では,医学,化学,心理学,経済学,教育など,さまざまな現実世界領域におけるRLVRの有効性と拡張性について検討する。我々は,2値検証による制限を克服するために,ソフトなモデルに基づく報酬信号を生成する生成的スコアリング手法を利用する。
論文参考訳（メタデータ） (2025-03-31T08:22:49Z)
Towards an Information Theoretic Framework of Context-Based Offline Meta-Reinforcement Learning [48.79569442193824]
我々は,COMRLアルゴリズムが,タスク変数$M$と,その潜在表現$Z$の相互情報目的を,様々な近似境界を実装して最適化していることを示す。実演として、$I(Z; M)$の教師付きおよび自己教師型実装を提案し、対応する最適化アルゴリズムがRLベンチマークの幅広いスペクトルにわたって顕著な一般化を示すことを実証的に示す。本研究は,COMRL法の情報理論基盤を構築し,強化学習の文脈におけるタスク表現学習の理解を深める。
論文参考訳（メタデータ） (2024-02-04T09:58:42Z)
Serving Deep Learning Model in Relational Databases [70.53282490832189]
リレーショナルデータ上での深層学習(DL)モデルの実現は、様々な商業分野や科学分野において重要な要件となっている。最先端のDL中心アーキテクチャは、DL計算を専用のDLフレームワークにオフロードします。 UDF中心アーキテクチャの可能性は、リレーショナルデータベース管理システム(RDBMS)内の1つ以上のテンソル計算をユーザ定義関数(UDF)にカプセル化する。
論文参考訳（メタデータ） (2023-10-07T06:01:35Z)
Contextualize Me -- The Case for Context in Reinforcement Learning [49.794253971446416]
文脈強化学習(cRL)は、このような変化を原則的にモデル化するためのフレームワークを提供する。我々は,cRLが有意義なベンチマークや一般化タスクに関する構造化推論を通じて,RLのゼロショット一般化の改善にどのように貢献するかを示す。
論文参考訳（メタデータ） (2022-02-09T15:01:59Z)
Provable Hierarchy-Based Meta-Reinforcement Learning [50.17896588738377]
HRLをメタRL設定で解析し、下流タスクで使用するメタトレーニング中に学習者が潜在階層構造を学習する。我々は、この自然階層の標本効率の回復を保証し、抽出可能な楽観主義に基づくアルゴリズムとともに「多様性条件」を提供する。我々の境界は、時間的・状態的・行動的抽象化などのHRL文献に共通する概念を取り入れており、我々の設定と分析が実際にHRLの重要な特徴を捉えていることを示唆している。
論文参考訳（メタデータ） (2021-10-18T17:56:02Z)

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。