論文の概要: Beyond Static Evaluation: Co-Evolutionary Mechanisms for LLM-Driven Strategy Evolution in Adversarial Games

• arxiv url: http://arxiv.org/abs/2606.10389v1
• Date: Tue, 09 Jun 2026 03:55:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.311359
• Title: Beyond Static Evaluation: Co-Evolutionary Mechanisms for LLM-Driven Strategy Evolution in Adversarial Games
• Title（参考訳）: 静的評価を超えて: 対戦型ゲームにおけるLDM駆動戦略進化のための共進化メカニズム
• Authors: Haoran Li, Zengle Ge, Ziyang Zhang, Xiaomin Yuan, Yui Lo, Qianhui Liu, Bocheng An, Dongke Rong, Jiaqun Liu, Annan Li, Jianmin Wu, Dawei Yin, Dou Shen,
• Abstract要約: 評価器の共進化によって,ノイズの多い数ゲームスコアを統計的に信頼性のある評価に置き換える方法について述べる。 また,階層的な深層評価が,ノイズの多い数ゲームスコアを統計的に信頼性のある評価に置き換えることを示す。 FAMOU は OpenEvolve や ShinkaEvolve と同じ基盤モデル・コード進化パラダイム上に構築されたフレームワークである。
• 参考スコア（独自算出の注目度）: 46.73592377177437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in LLM-driven code evolution have enabled automated discovery by iteratively generating and improving programs. However, applying these methods to adversarial multi-agent games introduces a fundamental challenge: the evaluation landscape shifts as strategies improve, causing fixed evaluators to become unreliable and evolution to stagnate. We propose three mechanisms to address this challenge: evaluator co-evolution, which incorporates discovered champions into the opponent pool; hierarchical deep evaluation, which replaces noisy few-game scores with statistically reliable assessments; and weakness pressure, which dynamically up-weights the most difficult opponents to break through plateaus. We implement these mechanisms within FAMOU, a framework built upon the same foundation-model code-evolution paradigm as OpenEvolve and ShinkaEvolve. On the MCTF 2026 3v3 maritime capture-the-flag task, FAMOU consistently outperforms both baselines under two backbone LLMs, achieving the highest combined score (0.526) and the best generalization to unseen opponents (61.7% win rate), while ablations confirm that each mechanism contributes to performance. Notably, the LLM mutation process generates tactical structures entirely absent from the seed strategies -- including lookahead search and adaptive interception -- demonstrating that code-level evolution can produce nontrivial algorithmic innovations in adversarial settings. The FAMOU-evolved strategy further achieved 1st place in the hardware round-robin and 3rd in simulation at the AAMAS 2026 MCTF Competition, validating its real-world transferability. The optimized implementation and corresponding evaluation codes developed through our evolutionary process are available at: https://github.com/1xiangliu1/FAMOU-CoEvo
• Abstract（参考訳）: LLM駆動のコード進化の最近の進歩は、プログラムを反復的に生成し改善することで自動発見を可能にしている。 しかし、これらの手法を対戦型マルチエージェントゲームに適用することは、戦略の改善に伴ってランドスケープが変化し、固定的な評価者が信頼性を失い、進化が停滞する、という根本的な課題をもたらす。 探索したチャンピオンを相手プールに組み込む評価器共進化(evaluator co-evolution)、ノイズの多い数ゲームスコアを統計的に信頼性の高い評価に置き換える階層的深層評価(hierarchical Deep Evaluation)、高原を突破する最も難しい相手を動的に上向きに上向きにする弱圧(frad pressure)という3つのメカニズムを提案する。 FAMOU は OpenEvolve や ShinkaEvolve と同じ基盤モデル・コード進化パラダイム上に構築されたフレームワークである。 MCTF 2026 3v3 海洋捕集-フラッグタスクでは、FAMOU は両ベースラインを2つのバックボーン LLM で一貫して上回り、最高総合スコア (0.526) と最高総合得点 (61.7%) を達成し、各機構がパフォーマンスに寄与することを確認した。 特に、LSMの突然変異プロセスは、ルックアヘッド検索や適応的インターセプションを含む、シード戦略から完全に欠落した戦術構造を生成する。 FAMOUに進化した戦略は、AAMAS 2026 MCTFコンペティションでハードウェアラウンドロビンで1位、シミュレーションで3位を獲得し、実際の転送可能性を検証する。 進化過程を通じて開発された最適化された実装とそれに対応する評価コードは、https://github.com/1xiangliu1/FAMOU-CoEvoで利用可能である。

関連論文リスト

• K-Search: LLM Kernel Generation via Co-Evolving Intrinsic World Model [57.440609834690385]
  既存のアプローチでは、進化ループ内の高速コードジェネレータとして、LLM(Large Language Models)を扱います。 我々は,共進化的世界モデルによる検索を提案し,この手法に基づいてK-Searchを構築する。 GQA, MLA, MoE カーネルを含む多種多様な複雑なカーネル上で K-Search を評価する。
  論文  参考訳（メタデータ） (2026-02-22T11:06:22Z)
• Game-Theoretic Co-Evolution for LLM-Based Heuristic Discovery [37.96481049421407]
  大規模言語モデル(LLM)は、自動発見の急速な進歩を可能にした。 本稿では,発見を問題解決者とインスタンスジェネレータのプログラムレベルの共進化として再編成するゲーム理論フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-30T12:14:52Z)
• PACEvolve: Enabling Long-Horizon Progress-Aware Consistent Evolution [64.15555230987222]
  PACEvolveはエージェントのコンテキストと検索ダイナミクスを堅牢に管理するように設計されたフレームワークである。 PACEvolveは、一貫性のある長期自己改善のための体系的なパスを提供する。
  論文  参考訳（メタデータ） (2026-01-15T18:25:23Z)
• Controlled Self-Evolution for Algorithmic Code Optimization [33.82967000330864]
  自己進化的手法は、反復的な"生成-検証-精細"サイクルを通じてコード生成を強化する。 既存のアプローチでは、限られた予算内で優れた複雑さを持つソリューションを見つけることができません。 本稿では3つのキーコンポーネントからなる制御自己進化(CSE)を提案する。
  論文  参考訳（メタデータ） (2026-01-12T09:23:13Z)
• SEEA-R1: Tree-Structured Reinforcement Fine-Tuning for Self-Evolving Embodied Agents [58.174206358223415]
  自己進化型エボダイドエージェント(SeEA-R1)は、自己進化型エボダイドエージェント用に設計された最初の強化微細調整フレームワークである。 本研究は,SEEA-R1が自律適応と報酬駆動型自己進化をサポートすることを示す。
  論文  参考訳（メタデータ） (2025-06-26T18:00:07Z)
• MetaScale: Test-Time Scaling with Evolving Meta-Thoughts [51.35594569020857]
  実験の結果、MetaScaleは標準推論アプローチよりも一貫して優れています。 METASCALEは、サンプリング予算を増やしてより効果的にスケールし、より構造化された専門家レベルのレスポンスを生成する。
  論文  参考訳（メタデータ） (2025-03-17T17:59:54Z)

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。