論文の概要: FederatedSkill: Federated Learning for Agentic Skill Evolution

• arxiv url: http://arxiv.org/abs/2606.03143v1
• Date: Tue, 02 Jun 2026 04:38:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.763646
• Title: FederatedSkill: Federated Learning for Agentic Skill Evolution
• Title（参考訳）: FederatedSkill: エージェントスキル進化のためのフェデレートラーニング
• Authors: Jingbo Yang, Guanyu Yao, Yang Zhang, Ramana Rao Kompella, Gaowen Liu, Shiyu Chang,
• Abstract要約: 我々は、協調エージェント進化のためのプライバシー保護フレームワークであるFederatedSkillを紹介した。 FederatedSkillは、セマンティックスキルの差分、ローカルライブラリ上の構造化パッチをコミュニケーションの基本単位として利用する。 サーバ側では、進化エージェントがこれらのパッチを集約し、クライアント固有の機能境界を動的にモデル化します。
• 参考スコア（独自算出の注目度）: 39.72176610642482
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern LLM agents increasingly rely on skill libraries to handle complex tasks, making skill evolution a primary driver of self-improvement. However, isolated single-user task streams lack the diversity required to build comprehensive skills. While cross-user collaboration can overcome this data bottleneck, current trajectory-sharing approaches compromise user privacy and impose a uniform global library that fails to accommodate client heterogeneity. We introduce FederatedSkill, a privacy-preserving framework for collaborative agent evolution. Moving beyond raw trajectory sharing, FederatedSkill utilizes semantic skill diffs, structured patches over local libraries, as the fundamental unit of communication. On the server side, an evolution agent aggregates these patches to dynamically model client-specific capability boundaries, facilitating strictly personalized skill evolution rather than a suboptimal global average. Evaluated across 20 distinct agent task families, FederatedSkill demonstrates substantial gains over self-evolving baselines, achieving up to a 44.4% increase in success rate and a 37.5% reduction in computational cost.
• Abstract（参考訳）: 現代のLLMエージェントは、複雑なタスクを扱うためのスキルライブラリにますます依存しており、スキル進化が自己改善の原動力となっている。 しかし、独立した単一ユーザタスクストリームは、包括的なスキルを構築するために必要な多様性を欠いている。 ユーザ間のコラボレーションは、このデータのボトルネックを克服できるが、現在の軌道共有アプローチは、ユーザのプライバシを侵害し、クライアントの不均一性を満たさない統一的なグローバルライブラリを強制する。 我々は、協調エージェント進化のためのプライバシー保護フレームワークであるFederatedSkillを紹介した。 生の軌道共有を超えて、FederatedSkillはセマンティックスキルの差分、ローカルライブラリ上の構造化パッチをコミュニケーションの基本単位として利用している。 サーバ側では、進化エージェントがこれらのパッチを集約して、クライアント固有の機能境界を動的にモデル化する。 20の異なるエージェントタスクファミリーで評価され、フェデレートスキルは自己進化ベースラインよりも大幅に向上し、44.4%の成功率と37.5%の計算コストを達成している。

関連論文リスト

• SkillPyramid: A Hierarchical Skill Consolidation Framework for Self-Evolving Agents [38.2600862878199]
  最近のAIエージェントは、複雑なタスクを解決するためのスキルを柔軟に実行できますが、その長期的な改善は、体系的なスキル構築、蓄積、転送の欠如によって制約されます。 SkillPyramidは,タスクのより広範な一般化のために既存のスキル体験を再利用するスキル統合フレームワークである。 SkillPyramidは平均報酬を38.0%、実行手順を27.7%削減する。
  論文  参考訳（メタデータ） (2026-06-02T14:14:27Z)
• 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)
• SkillLens: Adaptive Multi-Granularity Skill Reuse for Cost-Efficient LLM Agents [6.293920920196533]
  SkillLensは階層的なスキル進化フレームワークで、スキルをポリシー、戦略、手順、プリミティブの4層グラフにまとめる。 セマンティックなスキルシードを検索し、スキルグラフの次数補正されたランダムウォークを通じて拡張し、各訪問したユニットが受け入れられ、分解され、書き直され、スキップされるかどうかを検証器を使って決定する。 MuLocbenchとALFWorld全体で、SkillLensは、強いスキルベースのベースラインよりも一貫して改善されている。
  論文  参考訳（メタデータ） (2026-05-08T18:48:04Z)
• Skill1: Unified Evolution of Skill-Augmented Agents via Reinforcement Learning [32.51284576274437]
  永続的なスキルライブラリにより、言語モデルエージェントはタスク間で成功した戦略を再利用できる。 既存の手法は、これらの機能を分離または別々の報酬源で最適化し、部分的かつ矛盾する進化をもたらす。 Skill1は,共有タスクアウトカム目標に向けて,スキル選択,利用,蒸留を共同開発するための単一の政策を訓練するフレームワークである。
  論文  参考訳（メタデータ） (2026-05-07T12:33:30Z)
• EvoSkills: Self-Evolving Agent Skills via Co-Evolutionary Verification [85.3692584167951]
  Anthropicは、LLMエージェントが多段階のプロフェッショナルタスクに取り組むためのスキルの概念を提案する。 ツールは単一の自己完結型関数であり、スキルは相互依存型多ファイルアーティファクトの構造化バンドルである。 EvoSkillsは、エージェントが複雑なマルチファイルスキルパッケージを自律的に構築できる自己進化型スキルフレームワークである。
  論文  参考訳（メタデータ） (2026-04-02T06:43:20Z)
• MetaClaw: Just Talk -- An Agent That Meta-Learns and Evolves in the Wild [74.7263562191605]
  大規模言語モデル(LLM)エージェントは、複雑なタスクにますます使われている。 既存の方法は、知識を蒸留せずに生の軌跡を保存するか、静的なスキルライブラリを維持するか、または再訓練のために破壊的なダウンタイムを必要とする。 本稿では,基本的なLCMポリシと再利用可能な行動スキルのライブラリを共同で進化させるメタ学習フレームワークであるMetaClawを紹介する。
  論文  参考訳（メタデータ） (2026-03-17T22:30:30Z)
• SkillRL: Evolving Agents via Recursive Skill-Augmented Reinforcement Learning [83.98129545309277]
  生経験と政策改善のギャップを埋めるフレームワークであるSkillRLを提案する。 本手法では,階層型スキルライブラリであるSkillBankを構築するために,経験に基づく蒸留機構を導入する。 ALF、WebShop、および7つの検索強化タスクの実験結果は、SkillRLが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-02-09T03:17:17Z)
• Reinforcement Learning for Self-Improving Agent with Skill Library [14.717149089634718]
  大規模言語モデル(LLM)に基づくエージェントは、複雑な推論とマルチターン相互作用において顕著な機能を示した。 有望なアプローチの1つは、エージェントが新しいスキルを学び、検証し、適用できるスキルライブラリを実装することである。 スキルライブラリによるエージェントの自己改善能力を高めるための強化学習(RL)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2025-12-18T21:58:19Z)

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。