論文の概要: SkillChain-Gym: A Benchmark for Reskilling-Aware Production-Inventory Control under Disruptions
- arxiv url: http://arxiv.org/abs/2606.17266v1
- Date: Mon, 15 Jun 2026 20:16:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 17:15:32.132351
- Title: SkillChain-Gym: A Benchmark for Reskilling-Aware Production-Inventory Control under Disruptions
- Title（参考訳）: SkillChain-Gym: 破壊下でのリスキル対応生産-在庫管理のためのベンチマーク
- Authors: Carlos Eduardo Sanoja,
- Abstract要約: 本稿では,SkillChain-Gymについて紹介する。
ベンチマークには、シードコントロールされたディスラプションシナリオ、プロジェクション診断を備えた3つの実行可能性モード、決定論的リプレイ、メトリクスが含まれている。
我々は60シフト地平線上での予算変動による生産のみ, 適応性, 給水適応性, 静的保険政策の評価を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Production planning increasingly has to treat workforce capability as a decision variable: certifications lapse when skills are not maintained, new products require skills the current workforce does not hold, and reskilling competes for the same worker hours needed for production. Existing operations benchmarks usually treat labor as exogenous, while workforce-planning models with skills and learning are rarely released as reusable testbeds. We introduce SkillChain-Gym, a benchmark specification for reskilling-aware production-inventory control: a single-site environment with stylized worker skill-state dynamics, hard threshold certification, forgetting, and capacity-consuming training actions constrained by the same per-worker time budget as production. The benchmark includes seed-controlled disruption scenarios, three feasibility modes with projection diagnostics, deterministic replay, and metrics covering operations, resilience, capability growth, and training-access distribution. We evaluate production-only, reactive adaptive, water-filling adaptive, and static-insurance policies with budget variants over 60-shift horizons with paired statistical tests. The results are regime-dependent rather than a ranking. Training-capable policies dominate the production-only baseline, and maintenance training is necessary under forgetting even without disruptions. Among training-capable classes, adaptive training helps when bottlenecks are visible in the forecast, while a lean static cross-training plan, a deliberately favorable comparator whose structure encodes relevant skill contingencies, acts as strong insurance under surprise shocks and absenteeism. Capacity slack and the forgetting rate govern the boundary between these regimes. No policy class dominates across regimes, motivating forecast-driven controllers that decide when to buy skill insurance and when to react.
- Abstract（参考訳）: スキルが維持されない場合の認定の経過、新しい製品は現在の従業員が持たないスキルを必要とし、生産に必要な同じ労働時間で再スキルが競う。
既存の運用ベンチマークでは、労働を外生的に扱うのが一般的であるが、スキルと学習を備えた労働計画モデルが再利用可能なテストベッドとしてリリースされることは滅多にない。
SkillChain-Gymは、スタイリングされた労働者のスキル状態のダイナミックス、ハードしきい値認証、忘れ、生産と同じ作業時間予算で制約されたキャパシティ消費トレーニングアクションを備えた単一サイト環境である。
ベンチマークには、シードコントロールされたディスラプションシナリオ、プロジェクション診断を備えた3つの実行可能性モード、決定論的リプレイ、オペレーション、レジリエンス、能力成長、トレーニングアクセスディストリビューションをカバーするメトリクスが含まれている。
我々は,60シフト地平線上の予算変動を考慮した生産限定型,反応性適応型,水充填型,静的保険政策の評価を行った。
結果はランキングではなく、政権に依存している。
トレーニング可能なポリシは生産のみのベースラインを支配しており、障害のないメンテナンストレーニングは、忘れることなく必要である。
トレーニング可能なクラスの中では、アダプティブトレーニングは、予測でボトルネックが見えるときに役立ち、リーン静的クロストレーニングプランは、構造が関連するスキルの偶然をコードする故意に有利なコンパレータであり、サプライズショックと欠席の下で強力な保険として機能する。
キャパシティ・スラックと忘れる速度は、これらの政権の境界を左右する。
スキル保険の購入時期と対応時期を決定する予測駆動型コントローラを動機付けている。
関連論文リスト
- Skill-Constrained Model Predictive Control for Resilient Manufacturing Supply Chains [0.0]
本研究では,生産,在庫,バックログ,トレーニングにおいて,有限水平混合整数プログラムを解く技術制約付きモデル予測制御器について検討する。
我々は,前アンテロック構成とペア統計の下で,生産限定および保守限定の緩和,静的クロストレーニング型保険計画,および強力な反応性に対して,コントローラの評価を行った。
論文 参考訳（メタデータ） (2026-06-15T20:23:12Z) - Test-Time Gradient Guidance of Flow Policies in Reinforcement Learning [50.738952715864116]
表現的連続制御ポリシは、シミュレーションされた実ロボット制御のための模倣学習のスケーリングにおける進歩のバックボーンを形成する。
テスト時に完全にポリシー最適化を行うRLアルゴリズムであるQGF(Q-Guided Flow)を提案する。
実証的には、QGFはシングルタスクおよびゴール条件のオフラインRLベンチマークにおいて、以前のテスト時間RLメソッドよりも優れている。
論文 参考訳（メタデータ） (2026-06-09T16:45:57Z) - Co-Evolving Skill Generation and Policy Optimization [35.41582114275514]
既存の手法は通常、強力な言語モデルを使用してトラジェクトリを分析し、スキルを生成し、オンライントレーニング中に検索可能なスキルバンクを更新します。
プレストレージスキル検証のためのオンライン強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-07T17:55:55Z) - SKILLC: Learning Autonomous Skill Internalization in LLM Agents via Contrastive Credit Assignment [4.336665585098371]
本稿では,このコントラストを内部化のための直接学習信号に変換するContrastive Skill Credit Assignment (CSCA) に基づくフレームワークであるSkillCを提案する。
textscSkillCは、同じポリシー更新内でアクティブなスキルタイプからのタスクに対して、ペア化されたスキル注入とスキルフリーのロールアウトをサンプリングする。
スムーズな検証レベル信号は、帰属強度、ロールアウトアロケーション、単調なアクティブセットプルーニングよりも適応的なカリキュラムを駆動する。
論文 参考訳（メタデータ） (2026-05-27T03:21:19Z) - SkillGenBench: Benchmarking Skill Generation Pipelines for LLM Agents [15.669318649782285]
我々は、統一されたプロトコルの下でスキル生成パイプラインを評価するためのベンチマークであるSkillGenBenchを紹介する。
ジェネレータは生のコーパスを受け取り、標準化されたスキルアーティファクトを生成し、固定ハーネスの下で実行される。
様々なスキルジェネレーション手法とバックボーンの実験は、かなりの性能変化を示している。
論文 参考訳（メタデータ） (2026-05-18T17:28:36Z) - Evidence Over Plans: Online Trajectory Verification for Skill Distillation [59.17625804241461]
後方蒸留指数 (Posterior Distillation Index, PDI) は、タスク環境証拠に蒸留技術がどの程度うまく根付いているかを測る軌跡レベルの指標である。
SPARKはPDIを計算するのに使用される環境検証トラジェクトリを生成する。
本研究では,SPARK生成スキルが非スキルベースラインを一貫して上回り,学生モデルにおける人書きスキルを上回っていることを示す。
論文 参考訳（メタデータ） (2026-05-09T22:15:13Z) - SOPE: Stabilizing Off-Policy Evaluation for Online RL with Prior Data [49.370849653460716]
本稿では,アクタに整列したオフポリシー評価信号を用いたSOPEを,自動早期停止機構として提案する。
Minariベンチマークスイートから25の継続的制御タスクを評価した。
SOPEはベースライン性能を最大45.6%改善し、必要なTFLOPを最大22倍改善した。
論文 参考訳（メタデータ） (2026-05-07T08:32:09Z) - The Illusion of Certainty: Decoupling Capability and Calibration in On-Policy Distillation [67.26315138466312]
モデルロールアウトから経験的信頼性を推定するキャリブレーション対応のOPDフレームワークであるCaOPDを提案する。
本研究は, 能力蒸留が信頼性を示唆するものではないこと, 信頼性をポストトレーニングの本質的な目的として扱うべきであることを明らかにする。
論文 参考訳（メタデータ） (2026-04-18T04:43:40Z) - Evaluating Prompt Injection Defenses for Educational LLM Tutors: Security-Usability-Latency Trade-offs [51.56484100374058]
ガードレールの設計には、敵の堅牢性、良質なタスクのユーザビリティ、応答レイテンシの明確なトレードオフが伴う。
決定論的パターンフィルタ,構造検証,コンテキストサンドボックス,セッションレベルの動作チェックを組み合わせた,ドメイン固有のマルチレイヤセーフガードパイプラインの評価を行った。
NeMoは16.22パーセントのFPRと1.5パーセントのレイテンシで0パーセントのバイパスに達し、Prompt Guardは38.48パーセントのFPRと3.60パーセントのバイパスを実現している。
論文 参考訳（メタデータ） (2026-03-29T18:52:01Z) - When to Act, Ask, or Learn: Uncertainty-Aware Policy Steering [10.01278648231868]
ポリシーステアリングは、デプロイ時にロボットの振る舞いを適用する新しい方法です。
VLM(Vision-Language Models)は、それらの推論能力のために、汎用的な検証を約束する。
セマンティックタスクの不確実性と低レベルのアクション実現可能性について共同で理由づけるフレームワークである不確実性対応型ポリシーステアリング(UPS)を提案する。
論文 参考訳（メタデータ） (2026-02-25T23:23:22Z) - Capability-Oriented Training Induced Alignment Risk [101.37328448441208]
我々は、強化学習で訓練された言語モデルが、その報酬を最大化するために欠陥を利用することを自然に学習するかどうかを考察する。
我々の実験は、モデルがこれらの脆弱性を常に活用し、タスクの正しさや安全性を犠牲にして報酬を著しく増大させる機会論的戦略を発見していることを示している。
我々の研究結果は、将来のAIの安全作業がコンテンツモデレーションを超えて、トレーニング環境の厳格な監査と確保、および報奨メカニズム自体に拡張する必要があることを示唆している。
論文 参考訳（メタデータ） (2026-02-12T16:13:14Z)
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。