論文の概要: Echo: Learning from Experience Data via User-Driven Refinement

• arxiv url: http://arxiv.org/abs/2605.21984v1
• Date: Thu, 21 May 2026 04:34:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.091204
• Title: Echo: Learning from Experience Data via User-Driven Refinement
• Title（参考訳）: Echo: ユーザ駆動リファインメントによるエクスペリエンスデータから学ぶ
• Authors: Hande Dong, Xiaoyun Liang, Jiarui Yu, Jiayi Lin, Changqing Ai, Feng Liu, Wenjun Zhang, Rongbi Wei, Chaofan Zhu, Linjie Che, Feng Wu, Xin Shen, Dexu Kong, Xiaotian Wang, Qiuyuan Chen, Bingxu An, Yueting Lei, Qiang Lin,
• Abstract要約: エージェントと環境間のインタラクションである"経験データ"からの継続的な学習は、障壁を超越することを約束します。 生体験から学習可能な知識への移行を運用するために設計されたフレームワークであるEchoを紹介する。 Echoはこのパイプラインを効果的に活用し、受入率を25.7%から35.7%に増やすことで、静的パフォーマンスの天井を破ることを示した。
• 参考スコア（独自算出の注目度）: 27.408627581624888
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Static "human data" faces inherent limitations: it is expensive to scale and bounded by the knowledge of its creators. Continuous learning from "experience data" - interactions between agents and their environments - promises to transcend these barriers. Today, the widespread deployment of AI agents grants us low-cost access to massive streams of such real-world experience. However, raw interaction logs are inherently noisy, filled with trial-and-error and low information density, rendering them inefficient for direct model training. We introduce Echo, a generalized framework designed to operationalize the transition from raw experience to learnable knowledge, effectively "echoing" environmental feedback back into the training loop for model optimization. In today's agent ecosystem, user refinement serves as a primary source of such feedback: driven by responsibility for the outcome, users rigorously transform flawed agent proposals into verified solutions. These user-driven refinement sequences inherently distill agents' crude attempts into high-quality training signals. Echo systematically harvests these signals to continuously align the agent with real-world needs. Large-scale validation in a production code completion environment confirms that Echo effectively harnesses this pipeline, breaking the static performance ceiling by increasing the acceptance rate from 25.7% to 35.7%.
• Abstract（参考訳）: 静的な「人間のデータ」は固有の制限に直面している。 エージェントとその環境間のインタラクションである"経験データ"からの継続的な学習は、これらの障壁を超越することを約束します。 今日、AIエージェントの広範な展開により、このような現実世界体験の巨大なストリームに低コストでアクセスできるようになりました。 しかし、生の対話ログは本質的にノイズが多く、試行錯誤と情報密度が低いため、直接モデルトレーニングでは非効率である。 生経験から学習可能な知識への移行を運用するために設計された一般化されたフレームワークであるEchoを導入し、モデル最適化のためのトレーニングループに環境フィードバックを効果的に"エチョン"する。 今日のエージェントエコシステムでは、ユーザリファインメントがこのようなフィードバックの主要なソースとして機能している。 これらのユーザー主導の精製シーケンスは、エージェントの粗末な試行を質の高い訓練信号に本質的に蒸留する。 Echoはこれらの信号を体系的に収集し、エージェントと現実世界のニーズを継続的に整合させる。 プロダクションコード補完環境での大規模な検証では、Echoがこのパイプラインを効果的に活用し、静的パフォーマンスの天井を25.7%から35.7%に増やすことが確認されている。

関連論文リスト

• Autonomous Continual Learning of Computer-Use Agents for Environment Adaptation [57.65688895630163]
  ACuRLは自律的なカリキュラム強化学習フレームワークで、エージェントを人間データゼロの特定の環境に継続的に適応させる。 本研究では,環境内学習と環境横断学習の両方を効果的に実現し,既存の環境を忘れずに4～22%の性能向上を実現した。
  論文  参考訳（メタデータ） (2026-02-10T23:06:02Z)
• From Self-Evolving Synthetic Data to Verifiable-Reward RL: Post-Training Multi-turn Interactive Tool-Using Agents [23.583947864141162]
  EigenDataは階層的なマルチエージェントエンジンで、ツール基底の対話と実行可能なインスタンスごとのチェッカーを合成する。 合成データに基づいて、まずユーザモデルを微調整し、GRPOスタイルのトレーニングを適用するRLレシピを開発する。 以上の結果から,高価なアノテーションを使わずに,複雑なツールの動作をブートストラップするためのスケーラブルな経路が示唆された。
  論文  参考訳（メタデータ） (2026-01-30T06:01:23Z)
• SearchGym: Bootstrapping Real-World Search Agents via Cost-Effective and High-Fidelity Environment Simulation [47.42632572449279]
  本稿では,堅牢な検索エージェントをブートストラップするシミュレーション環境であるSearchGymを提案する。 SearchGymは厳密な生成パイプラインを使用して、検証可能な知識グラフと整列したドキュメントコーパスを構築する。 本研究は,高忠実度シミュレーションが,有能な検索エージェントを開発するためのスケーラブルで費用対効果の高い手法であることを示す。
  論文  参考訳（メタデータ） (2026-01-21T03:16:17Z)
• Data-Centric Visual Development for Self-Driving Labs [11.559239027724884]
  われわれはSDLにおいて最も重要かつ精度の高い行動であるピッティングに焦点をあてる。 私たちは、実際のデータ生成と仮想データ生成を融合するハイブリッドパイプラインを構築しています。 保持された実際のテストセットでは、自動取得された実画像に基づいて完全に訓練されたモデルが99.6%の精度に達する。
  論文  参考訳（メタデータ） (2025-12-01T18:59:57Z)
• Agent Learning via Early Experience [93.83579011718858]
  言語エージェントの長期的な目標は、彼ら自身の経験から学び、改善することであり、最終的には複雑な現実世界のタスクにおいて人間より優れています。 現在のエージェントのほとんどは、専門家データによる教師付き微調整に依存しており、スケールと一般化が不十分である。 本研究では,(1)環境力学における政策の基盤として収集された状態を利用するインプリシット・ワールド・モデリング,(2)エージェントが最適な行動から学習し,推論と意思決定を改善するための自己回帰という2つの手法について検討する。
  論文  参考訳（メタデータ） (2025-10-09T17:59:17Z)
• Impatient Users Confuse AI Agents: High-fidelity Simulations of Human Traits for Testing Agents [58.00130492861884]
  TraitBasisは、AIエージェントを体系的にストレステストするための軽量でモデルに依存しない方法である。 TraitBasisは、ステアブルなユーザ特性に対応するアクティベーション空間で方向を学習する。 We observed on average a 2%-30% performance degradation on $tau$-Trait across frontier model。
  論文  参考訳（メタデータ） (2025-10-06T05:03:57Z)
• Boosting Embodied AI Agents through Perception-Generation Disaggregation and Asynchronous Pipeline Execution [26.709777786029225]
  身体化されたAIシステムは動的環境で動作し、知覚と生成モジュールのシームレスな統合を必要とする。 本稿では,AIエージェントの推論周波数を最適化するアルゴリズム設計の推論フレームワークであるAurasを紹介する。
  論文  参考訳（メタデータ） (2025-09-11T15:51:43Z)
• Reinforced Interactive Continual Learning via Real-time Noisy Human Feedback [59.768119380109084]
  本稿では,AIモデルがリアルタイムフィードバックから新たなスキルを動的に学習する対話型連続学習パラダイムを提案する。 大規模言語モデル(LLM)を活用した強化型対話型連続学習フレームワークRiCLを提案する。 我々のRiCLアプローチは、最先端のオンライン連続学習とノイズラベル学習の既存の組み合わせを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-05-15T03:22:03Z)
• Bridging the Gap Between Clean Data Training and Real-World Inference for Spoken Language Understanding [76.89426311082927]
  既存のモデルはクリーンデータに基づいてトレーニングされ、クリーンデータトレーニングと現実世界の推論の間にtextitgapが発生する。 本稿では,良質なサンプルと低品質のサンプルの両方が類似ベクトル空間に埋め込まれた領域適応法を提案する。 広く使用されているデータセット、スニップス、および大規模な社内データセット(1000万のトレーニング例)に関する実験では、この方法は実世界の(騒々しい)コーパスのベースラインモデルを上回るだけでなく、堅牢性、すなわち、騒々しい環境下で高品質の結果を生み出すことを実証しています。
  論文  参考訳（メタデータ） (2021-04-13T17:54:33Z)

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。