論文の概要: Do Self-Evolving Agents Forget? Capability Degradation and Preservation in Lifelong LLM Agent Adaptation

• arxiv url: http://arxiv.org/abs/2605.09315v1
• Date: Sun, 10 May 2026 04:20:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.187002
• Title: Do Self-Evolving Agents Forget? Capability Degradation and Preservation in Lifelong LLM Agent Adaptation
• Title（参考訳）: 自己進化型エージェントは忘れられるか? 生涯LLMエージェント適応の能力低下と保存
• Authors: Ye Yu, Xiaopeng Yuan, Haibo Jin, Heming Liu, Yaoning Yu, Haohan Wang,
• Abstract要約: 新たなタスク分布に適応することで、すべての主要な進化チャネルにおいて、以前獲得した能力を段階的に劣化させることができることを示す。 本稿では, 連続適応時の破壊能力ドリフトを制約する一般的な安定化原理であるemphCapability-Preserving Evolution (CPE)を提案する。 以上の結果から, 安定な長期自己進化剤は, 新たな能力を得るだけでなく, 学習済みのものを明示的に保存する必要があることが示唆された。
• 参考スコア（独自算出の注目度）: 29.927620139561327
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in LLM agents enable systems that autonomously refine workflows, accumulate reusable skills, self-train their underlying models, and maintain persistent memory. However, we show that such self-evolution is often non-monotonic: adapting to new task distributions can progressively degrade previously acquired capabilities across all major evolution channels. We identify this phenomenon as \emph{capability erosion under self-evolution} and show that it consistently emerges across workflow, skill, model, and memory evolution. To mitigate this issue, we propose \emph{Capability-Preserving Evolution} (CPE), a general stabilization principle that constrains destructive capability drift during continual adaptation. Across all four evolution dimensions, CPE consistently improves retained capability stability while preserving adaptation performance. For example, in workflow evolution, CPE improves retained simple-task performance from 41.8\% to 52.8\% under GPT-5.1 optimization while simultaneously achieving stronger complex-task adaptation. Our findings suggest that stable long-horizon self-evolving agents require not only acquiring new capabilities, but also explicitly preserving previously learned ones during continual adaptation.
• Abstract（参考訳）: LLMエージェントの最近の進歩は、ワークフローを自律的に洗練し、再利用可能なスキルを蓄積し、基礎となるモデルを自己訓練し、永続的なメモリを維持するシステムを可能にする。 しかし、このような自己進化は、しばしば単調ではないことを示し、新しいタスク分布に適応することで、すべての主要な進化チャネルにおいて、以前獲得した能力を段階的に劣化させることができる。 我々は、この現象を自己進化下での「emph{capability erosion」とみなし、ワークフロー、スキル、モデル、記憶の進化に一貫して現れることを示す。 この問題を緩和するために, 連続適応時の破壊能力ドリフトを制約する一般的な安定化原理である \emph{Capability-Preserving Evolution} (CPE) を提案する。 4つの進化次元全体にわたって、CPEは、適応性能を維持しながら、維持能力の安定性を一貫して改善する。 例えば、ワークフローの進化において、CPEはGPT-5.1最適化の下で41.8\%から52.8\%に改善し、同時により強力な複素タスク適応を実現した。 以上の結果から, 安定な長期自己進化剤は, 新たな能力を得るだけでなく, 継続的な適応中に学習済みのものを明示的に保存する必要があることが示唆された。

関連論文リスト

• Learning Without Losing Identity: Capability Evolution for Embodied Agents [14.412476605788482]
  エンボディエージェントのための機能中心進化パラダイムを提案する。 我々はロボットが認知的アイデンティティとして永続的なエージェントを維持するべきだと主張する。 エージェントアイデンティティから機能進化を分離する統合されたフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-09T04:51:07Z)
• Position: Agentic Evolution is the Path to Evolving LLMs [56.733933092220845]
  この制限に対処するには、新たなスケーリング軸進化が必要です。 既存の展開時適応手法では、障害を診断し、持続的な改善を生み出すために必要な戦略的機関が欠如している。
  論文  参考訳（メタデータ） (2026-01-30T22:15:58Z)
• Evolving LLMs' Self-Refinement Capability via Synergistic Training-Inference Optimization [53.93621974137829]
  自己精製(Self-Refinement)とは、モデルが自身のレスポンスを改訂し、改善された出力を生成する能力を指す。 EVOLVEは、反復的なトレーニングを通じて自己精製の進化を導き、追跡するためのフレームワークである。 固有モデル能力のより広範な自己改善を実現するために自己改善を活用する可能性を実証する。
  論文  参考訳（メタデータ） (2025-02-08T15:21:55Z)
• Agent Alignment in Evolving Social Norms [65.45423591744434]
  本稿では,エージェント進化とアライメントのための進化的フレームワークであるEvolutionaryAgentを提案する。 社会規範が継続的に進化する環境では、エージェントは現在の社会規範に適応し、生存と増殖の確率が高くなる。 進化的エージェントは、一般的なタスクにおいてその能力を維持しながら、進化する社会規範と徐々に整合できることを示す。
  論文  参考訳（メタデータ） (2024-01-09T15:44:44Z)

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。