論文の概要: Evolutionary Ensemble of Agents

• arxiv url: http://arxiv.org/abs/2605.09018v1
• Date: Sat, 09 May 2026 15:56:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.024244
• Title: Evolutionary Ensemble of Agents
• Title（参考訳）: エージェントの進化的アンサンブル
• Abstract要約: EvEは、分散化されたフレームワークであり、アルゴリズム発見のためのライブで共進化するシステムにコーディングエージェントを編成する。 2つの共進化する人口を維持することで、EvEはエージェントを同期レースを通じて評価し、経験的Elo格付けを更新する。 固定初期エージェントや凍結した「ベスト進化」エージェントによって駆動される変種と比較して、EvEは位相ミスマッチを独自に回避する。
• 参考スコア（独自算出の注目度）: 7.465452178698495
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce Evolutionary Ensemble (EvE), a decentralized framework that organizes existing, highly capable coding agents into a live, co-evolving system for algorithmic discovery. Rather than reinventing the wheel within the "LLMs as optimizers" paradigm, EvE fixes the base agent substrate and focuses entirely on evolving the cumulative guidance and skills that dictate agent behaviors. By maintaining two co-evolving populations, namely functional code solvers and agent guidance states, the system evaluates agents through a synchronous race, updating their empirical Elo ratings based on the marginal gains they contribute to the current solver state. When applied to a research bottleneck in In-Context Operator Networks (ICON), EvE autonomously discovered a robust rescale-then-interpolate mechanism that enables reliable example-count generalization. Crucially, controlled ablations reveal the absolute necessity of stage-dependent agent adaptation to navigate the shifting search landscapes of complex codebases. Compared to variants driven by a fixed initial agent or even a frozen "best-evolved" agent, EvE uniquely avoids phase mismatch, demonstrating that organizing agents into a self-revising ensemble is the fundamental driver for breaking through static performance ceilings.
• Abstract（参考訳）: EvE(Evolutionary Ensemble)は、既存の高度に能力のあるコーディングエージェントを、アルゴリズム発見のためのライブで共進化的なシステムに整理する分散フレームワークである。 最適化者としてのLLM」パラダイムの中で車輪を再発明する代わりに、EvEはベースエージェント基板を修正し、エージェントの振る舞いを規定する累積的なガイダンスとスキルの進化に完全に重点を置いている。 機能的コードソルバとエージェントガイダンス状態という2つの共進化する集団を維持することで、システムはエージェントを同期レースを通じて評価し、それらが現在のソルバ状態に寄与する限界ゲインに基づいてエロ評価を更新する。 In-Context Operator Networks (ICON)の研究ボトルネックに適用すると、EvEは信頼性の高い例数一般化を可能にする堅牢な再スケール-then-interpolateメカニズムを自律的に発見した。 重要なことは、複雑なコードベースの変化する検索環境をナビゲートするために、ステージ依存のエージェント適応が絶対的に必要であることを示している。 固定初期エージェントや凍結した「ベスト進化」エージェントによって駆動される変種と比較して、EvEは独自の位相ミスマッチを回避し、エージェントを自己修正アンサンブルにまとめることが静的なパフォーマンス天井を破る基本的なドライバであることを示した。

関連論文リスト

• Co-Evolution in Agentic Systems: Toward Self-Directed Evolution Beyond Human Design [55.30329388138526]
  本調査は,複数のエージェントと環境が互いに適応的な圧力を課す多成分自己進化であるエージェントシステムの共進化に焦点を当てた。 既存の論文を整理するために,システムがどのように人為的制約を徐々に覆い隠すかを追究する,進歩的な3段階分類法を提案する。
  論文  参考訳（メタデータ） (2026-08-10T23:10:40Z)
• Self-evolving LLM agents with in-distribution Optimization [60.05867547965365]
  大規模言語モデル(LLM)は最近、複雑な環境で対話的なエージェントのための強力なコントローラとして登場した。 本稿では,自動プロセス・リワードラベリングとポリシー学習を統一するLDMエージェントの自己進化フレームワークであるQ-Evolveを提案する。 我々は,AlfWorld,WebShop,ScienceWorldの手法を評価し,Q-Evolveがサンプル効率,堅牢性,全体的なタスク性能において高いベースラインを達成していることを示す。
  論文  参考訳（メタデータ） (2026-06-05T15:09:52Z)
• MobEvolve: An Agentic Self-Evolving Heuristic System for Interpretable Human Mobility Generation [51.824145170051516]
  MobEvolveは、人間のモビリティ生成のための自己進化フレームワークである。 エージェントを使用して、内部ロジックを反復的に進化させる。 最先端の深層生成法とLLMベースの手法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-06-01T03:46:25Z)
• CyberEvolver: Structured Self-Evolution for Cybersecurity Agents On the Fly [15.168064055560293]
  我々は、自己進化型サイバーセキュリティエージェントフレームワークであるtextscCyberEvolverを紹介した。 textscCyberEvolverは、失敗した実行試行の経験に基づいて、自身の足場を反復的に修正する。 CTFの課題,脆弱性のエクスプロイト,および4つのオープンソースLCMを用いた侵入テストタスクについて,textscCyberEvolverの評価を行った。
  論文  参考訳（メタデータ） (2026-05-25T16:26:59Z)
• Swarm Skills: A Portable, Self-Evolving Multi-Agent System Specification for Coordination Engineering [50.72456732323037]
  textbfSwarm Skillsは、マルチエージェントのセマンティクスを用いて、Arthhropic Skills標準を拡張したポータブル仕様である。 Swarm Skillsはマルチエージェントを、役割、実行バウンダリ、自己進化のためのビルトインセマンティック構造からなる、一級の分散可能なアセットに変える。 我々は,Swarm Skillsがプログレッシブ開示を通じて,ゼロアダプタのクロスエージェントポータビリティを実現する方法を示す。
  論文  参考訳（メタデータ） (2026-05-11T06:26:58Z)
• Escher-Loop: Mutual Evolution by Closed-Loop Self-Referential Optimization [7.89766538351877]
  Escher-Loopは2つの異なる集団の進化を運用するフレームワークである。 Escher-Loopは静的なベースラインの性能天井を効果的に越え、絶対的な最高性能を達成する。 特筆すべきは、エージェントがハイパフォーマンスなタスクエージェントの要求に合うように戦略を動的に適応させることである。
  論文  参考訳（メタデータ） (2026-04-25T23:46:08Z)
• Agent0: Unleashing Self-Evolving Agents from Zero Data via Tool-Integrated Reasoning [84.70211451226835]
  大規模言語モデル(LLM)エージェントは、人間の計算データへの依存によって制約される。 我々は,外部データを持たない高性能エージェントを進化させる完全自律型フレームワークであるAgent0を紹介する。 Agent0は推論能力を大幅に向上させ、Qwen3-8B-Baseモデルを数学的推論で18%改善し、一般的な推論ベンチマークで24%改善した。
  論文  参考訳（メタデータ） (2025-11-20T05:01:57Z)
• HiVA: Self-organized Hierarchical Variable Agent via Goal-driven Semantic-Topological Evolution [13.440964262446558]
  HiVA(Hierarchical Variable Agent)は、セマンティック・トポロジカル・エボリューション(STEV)アルゴリズムを用いて、自己組織化グラフとしてエージェントをモデル化する新しいフレームワークである。 対話、コーディング、Longcontext Q&A、数学、エージェントベンチマークの実験では、タスク精度が5～10%向上し、リソース効率が向上した。
  論文  参考訳（メタデータ） (2025-08-29T18:51:18Z)
• Gödel Agent: A Self-Referential Agent Framework for Recursive Self-Improvement [112.04307762405669]
  G"odel AgentはG"odelマシンにインスパイアされた自己進化型フレームワークである。 G"odel Agentは、パフォーマンス、効率、一般化性において手作業によるエージェントを上回る、継続的な自己改善を実現することができる。
  論文  参考訳（メタデータ） (2024-10-06T10:49:40Z)

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。