論文の概要: SOCIA-EVO: Automated Simulator Construction via Dual-Anchored Bi-Level Optimization
- arxiv url: http://arxiv.org/abs/2604.17351v1
- Date: Sun, 19 Apr 2026 09:57:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.481696
- Title: SOCIA-EVO: Automated Simulator Construction via Dual-Anchored Bi-Level Optimization
- Title（参考訳）: SOCIA-EVO:デュアルアンコールバイレベル最適化による自動シミュレータ構築
- Authors: Yuncheng Hua, Sion Weatherhead, Mehdi Jafari, Hao Xue, Flora D. Salim,
- Abstract要約: 本稿では,シミュレータ構築のための二層構造解析フレームワークSOCIA-EVOを提案する。
SOCIA-EVOは、実行フィードバックを通じて非効率的な戦略を偽装することにより、堅牢な収束を実現し、統計的に観測データと一致したシミュレータを生成する。
- 参考スコア（独自算出の注目度）: 16.707429579441435
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Automated simulator construction requires distributional fidelity, distinguishing it from generic code generation. We identify two failure modes in long-horizon LLM agents: contextual drift and optimization instability arising from conflating structural and parametric errors. We propose SOCIA-EVO, a dual-anchored evolutionary framework. SOCIA-EVO introduces: (1) a static blueprint to enforce empirical constraints; (2) a bi-level optimization to decouple structural refinement from parameter calibration; and (3) a self-curating Strategy Playbook that manages remedial hypotheses via Bayesian-weighted retrieval. By falsifying ineffective strategies through execution feedback, SOCIA-EVO achieves robust convergence, generating simulators that are statistically consistent with observational data. The code and data of SOCIA-EVO are available here: https://github.com/cruiseresearchgroup/SOCIA/tree/evo.
- Abstract（参考訳）: 自動シミュレータ構築には分布の忠実さが必要であり、一般的なコード生成と区別される。
長い水平LLMエージェントの2つの障害モードを同定する: 構造的およびパラメトリックな誤差の混在に起因する文脈的ドリフトと最適化不安定性。
本稿では,二層構造の進化的枠組みであるSOCIA-EVOを提案する。
SoCIA-EVOは,(1)経験的制約を強制する静的青写真,(2)パラメータキャリブレーションから構造的洗練を分離する二段階最適化,(3)ベイジアン重み付き検索による治療仮説を管理するセルフカレート戦略プレイブックを紹介する。
SOCIA-EVOは、実行フィードバックを通じて非効率的な戦略を偽装することにより、堅牢な収束を実現し、統計的に観測データと一致したシミュレータを生成する。
SOCIA-EVOのコードとデータは、https://github.com/cruiseresearchgroup/SOCIA/tree/evoにある。
関連論文リスト
- Taming the Instability: A Robust Second-Order Optimizer for Federated Learning over Non-IID Data [77.19117648492104]
We present Federated Robust Curvature Optimization (FedRCO), a novel second-order optimization framework designed to improve convergence speed and reduce communication cost。
FedRCOは、効率的な近似曲率と証明可能な安定性メカニズムを統合することで、これらの課題に対処する。
我々は,FedRCOが,最先端の1次法と2次法のどちらよりも高い精度と高速な収束を実現しつつ,多種多様な非IIDシナリオに対して優れたロバスト性を実現することを示す。
論文 参考訳（メタデータ） (2026-03-30T11:37:46Z) - Generative Control as Optimization: Time Unconditional Flow Matching for Adaptive and Robust Robotic Control [33.03635235189535]
動作合成を反復的最適化に変換する時間非条件フレームワークGeCOについて紹介する。
テスト時間推論は、単純な状態に対して収束開始早期に基づいて計算を割り当てる適応的なプロセスとなり、難しい状態に対してはより長く精製する。
我々は,GeCOを標準シミュレーションベンチマークで検証し,pi0シリーズのVision-Language-Action(VLA)モデルにシームレスなスケーリングを示す。
論文 参考訳（メタデータ） (2026-03-18T15:27:17Z) - ProtoDCS: Towards Robust and Efficient Open-Set Test-Time Adaptation for Vision-Language Models [32.840734752367275]
Prototype-based Double-Check separation (ProtoDCS)はOSTTAの堅牢なフレームワークである。
csIDとcsOODを分離し、ビジョン言語モデルのcsIDデータへの安全かつ効率的な適応を可能にする。
ProtoDCSは、既知のクラス精度とOOD検出メトリクスの両方を大幅に向上させる。
論文 参考訳（メタデータ） (2026-02-27T03:39:02Z) - OmniVL-Guard: Towards Unified Vision-Language Forgery Detection and Grounding via Balanced RL [63.388513841293616]
既存の偽造検出手法は、現実世界の誤報に多いインターリーブされたテキスト、画像、ビデオを扱うのに失敗する。
このギャップを埋めるため,本論文では,オムニバス・ビジョン言語による偽造検出と接地のための統一フレームワークの開発を目標としている。
我々は、OmniVL-Guardという、オムニバス視覚言語による偽造検出と接地のためのバランスの取れた強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-11T09:41:36Z) - Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。
実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。
FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
論文 参考訳（メタデータ） (2026-02-01T05:54:59Z) - Meta-Black-Box Optimization with Bi-Space Landscape Analysis and Dual-Control Mechanism for SAEA [8.45452791601094]
この研究は、SAEAを二重レベルに制御する最初のMetaBBOフレームワークと、代理モデル情報をキャプチャするバイスペースERAを紹介する。
DB-SAEAは、様々なベンチマークで最先端のベースラインを上回るだけでなく、高次元設定で見えないタスクに強力なゼロショット転送を示す。
論文 参考訳（メタデータ） (2025-11-19T15:43:19Z) - SCEESR: Semantic-Control Edge Enhancement for Diffusion-Based Super-Resolution [0.8122270502556375]
現実世界の超解像は複雑な劣化と固有の再構成の曖昧さに対処しなければならない。
一段階拡散モデルは速度を提供するが、蒸留品による構造的不正確さをしばしば生み出す。
セマンティックエッジガイダンスのための制御ネット機構を用いて,一段階拡散モデルを強化する新しいSRフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-22T06:06:01Z) - Pangu Embedded: An Efficient Dual-system LLM Reasoner with Metacognition [95.54406667705999]
Pangu Embeddedは、Ascend Neural Processing Units (NPU) 上で開発された効率的なLarge Language Model (LLM) 推論器である。
既存の推論最適化 LLM でよく見られる計算コストと推論遅延の問題に対処する。
単一の統一モデルアーキテクチャ内で、迅速な応答と最先端の推論品質を提供する。
論文 参考訳（メタデータ） (2025-05-28T14:03:02Z) - SOCIA: Joint Structure-Parameter Co-Optimization for Automated Simulator Construction [15.391456718509282]
エージェントを用いたコンピュータインテリジェンスのためのシミュレーションオーケストレーションは,シミュレータ構築を共同構造-パラメータ共最適化として扱うフレームワークである。
機構に富んだ青写真を生成し、明示的な調整可能なパラメータを公開し、キャリブレーションスキーマをインスタンス化する。
私たちはすぐにコードをリリースします。
論文 参考訳（メタデータ） (2025-05-17T13:47:31Z) - Byzantine-Resilient Over-the-Air Federated Learning under Zero-Trust Architecture [68.83934802584899]
我々は,セキュアな適応クラスタリング(FedSAC)を用いたフェデレーション学習(Federated Learning)と呼ばれる,無線通信のための新しいビザンチン・ロバストFLパラダイムを提案する。
FedSACは、デバイスの一部をゼロ信頼アーキテクチャ(ZTA)ベースのビザンティン識別と適応デバイスクラスタリングによる攻撃から保護することを目的としている。
実験精度と収束率の両面から,提案手法よりもFedSACの方が優れていることを示す。
論文 参考訳（メタデータ） (2025-03-24T01:56:30Z)
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。