論文の概要: SOLAR: A Self-Optimizing Open-Ended Autonomous Agent for Lifelong Learning and Continual Adaptation

• arxiv url: http://arxiv.org/abs/2605.20189v1
• Date: Mon, 23 Mar 2026 07:18:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.951814
• Title: SOLAR: A Self-Optimizing Open-Ended Autonomous Agent for Lifelong Learning and Continual Adaptation
• Title（参考訳）: SOLAR: 生涯学習と継続的適応のための自己最適化オープンエンディング自律エージェント
• Authors: Nitin Vetcha, Dianbo Liu,
• Abstract要約: SOLAR(Self-Optimizing Lifelong Autonomous Reasoner)は、自律型エージェントである。 パラメータレベルのメタ学習を使って自己改善し、モデルの重みを探索の環境として扱う。 実験により、SOLARは、常識、数学的、医学的、コーディング、社会的および論理的推論タスクにおいて、強いベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 3.239706565815636
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the remarkable success of large language models (LLMs), they still face bottlenecks while deploying in dynamic, real-world settings with primary challenges being concept drift and the high cost of gradient-based adaptation. Traditional fine-tuning (FT) struggles to adapt to non-stationary data streams without resulting in catastrophic for getting or requiring extensive manual data curation. To address these limitations within the streaming and continual learning paradigm, we propose the Self-Optimizing Lifelong Autonomous Reasoner (SOLAR) which is an open-ended autonomous agent that leverages parameter-level meta-learning to self-improve, treating model weights as an environment for exploration. It initiates the process by consolidating a strong prior over common-sense knowledge making it effective for transfer-learning. By utilizing a multi-level reinforcement learning approach, SOLAR autonomously discovers adaptation strategies, enabling efficient test-time adaptation to unseen domains. Crucially, SOLAR maintains an evolving knowledge base of valid modification strategies, implicitly acting as an episodic memory buffer to balance plasticity (adaptation to new tasks) and stability (retention of meta-knowledge). Experiments demonstrate that SOLAR outperforms strong baselines on common-sense, mathematical, medical, coding, social and logical reasoning tasks, marking a significant step toward autonomous agents capable of lifelong adaptation in evolving environments.
• Abstract（参考訳）: 大きな言語モデル(LLMs)の顕著な成功にもかかわらず、コンセプトドリフトと勾配ベースの適応のコストが主な課題である、動的で現実的な設定をデプロイしながらボトルネックに直面している。 従来の微調整(FT)は、広範囲な手動データキュレーションを必要とせずに、非定常データストリームへの適応に苦慮している。 ストリーミングおよび連続学習パラダイムにおけるこれらの制限に対処するため,パラメータレベルのメタラーニングを自己改善に活用し,モデルの重みを探索環境として扱う,オープンな自律エージェントであるSelf-Optimizing Lifelong Autonomous Reasoner(SOLAR)を提案する。 トランスファーラーニングに有効となるような、常識知識よりも強い事前知識を統合することによって、プロセスを開始する。 マルチレベル強化学習アプローチを利用することで、SOLARは適応戦略を自律的に発見し、未確認領域への効率的なテスト時間適応を可能にする。 重要な点として、SOLARは有効な修正戦略の進化した知識基盤を維持し、可塑性(新しいタスクへの適応)と安定性(メタ知識の保持)のバランスをとるために暗黙的にエピソード記憶バッファとして機能する。 実験により、SOLARは、常識、数学的、医学的、コーディング、社会的および論理的推論タスクにおいて、強力なベースラインよりも優れており、進化する環境に生涯適応できる自律エージェントへの重要な一歩であることが示された。

関連論文リスト

• DIMoE-Adapters: Dynamic Expert Evolution for Continual Learning in Vision-Language Models [63.58458696122293]
  継続的な学習は、視覚言語モデルが知識を蓄積し、スクラッチから再トレーニングすることなく、進化するタスクに適応することを可能にする。 既存のほとんどのメソッドは、静的に割り当てられたパラメータを持つ固定されたアーキテクチャに依存しており、新しいドメインへの適応を制限し、破滅的な忘れを増す。 動的インクリメンタル・ミックス・オブ・エキスパート・アダプタ・フレームワークであるDIMoE-Adaptersを提案する。
  論文  参考訳（メタデータ） (2026-05-08T09:32:05Z)
• 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)
• Emotion-Inspired Learning Signals (EILS): A Homeostatic Framework for Adaptive Autonomous Agents [0.0]
  本稿では,ロバストな自律性における非適応的要因が,高レベルなホメオスタット制御機構として機能する,生物学的感情の関数的類似性であることを示す。 EILS(Emotion-Inspired Learning Signals)は、分散最適化をコヒーレントなバイオインスパイアされた内部フィードバックエンジンに置き換える統合フレームワークである。
  論文  参考訳（メタデータ） (2025-12-20T19:46:51Z)
• POLARIS: Is Multi-Agentic Reasoning the Next Wave in Engineering Self-Adaptive Systems? [0.0]
  POLARISは3層多層自己適応フレームワークである。 不確実性に対処し、過去の行動から学び、その戦略を進化させる。 SWIMとSWITCHの2つの自己適応型指数に対する予備評価は、POLARISが一貫して最先端のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-12-04T11:51:03Z)
• SELF: Self-Evolution with Language Feedback [68.6673019284853]
  SELF(Self-Evolution with Language Feedback)は、大規模言語モデルを進化させる新しいアプローチである。 LLMは、人間の学習プロセスと同様、自己回帰を通じて自己改善を可能にする。 数学および一般タスクにおける実験により,SELFは人間の介入なしにLLMの能力を高めることができることが示された。
  論文  参考訳（メタデータ） (2023-10-01T00:52:24Z)
• Incorporating Neuro-Inspired Adaptability for Continual Learning in Artificial Intelligence [59.11038175596807]
  継続的な学習は、現実世界に強い適応性を持つ人工知能を強化することを目的としている。 既存の進歩は主に、破滅的な忘れを克服するために記憶安定性を維持することに焦点を当てている。 本稿では,学習の可塑性を改善するため,パラメータ分布の古い記憶を適切に減衰させる汎用的手法を提案する。
  論文  参考訳（メタデータ） (2023-08-29T02:43:58Z)

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。