論文の概要: SkillHarness: Harnessing Safe Skills for Computer-Use Agents
- arxiv url: http://arxiv.org/abs/2606.20636v1
- Date: Tue, 02 Jun 2026 06:33:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 20:49:15.981385
- Title: SkillHarness: Harnessing Safe Skills for Computer-Use Agents
- Title（参考訳）: SkillHarness: コンピュータ利用エージェントの安全スキルを損なう
- Abstract要約: コンピュータ・ユース・エージェント(CUA)は、動的インタラクティブな環境にますます多くデプロイされている。
近年のアプローチでは、再利用可能なスキルを軌道から学習することでこの問題に対処している。
動的環境における安全なスキル活用のためのフレームワークであるSkillHarnessを提案する。
- 参考スコア（独自算出の注目度）: 14.537629850203965
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computer-Use Agents (CUAs) are increasingly deployed in dynamic interactive environments, creating a growing need for continual skill learning during interaction. Recent approaches address this challenge by learning reusable skills from successful trajectories. However, these skill learning methods largely assume static and safe environments, overlooking risks from adversarial interactions (e.g., prompt injections) and environmental dynamics (e.g., pop-ups). In dynamic settings, such assumptions can lead to risky skill learning and brittle execution, undermining the reliability of CUAs. This raises the question: how can CUAs learn and use skills safely in dynamic environments? To address this problem, we propose SkillHarness, a framework for safe skill harnessing in dynamic environments. SkillHarness moves beyond static skill abstractions by modeling skill learning and utilization as a safety-constrained interaction process. Specifically, we introduce the skill boundary that leverages multi-source supervision signals to identify safe skills from interaction trajectories, and construct self-improving safety constraints throughout the skill lifecycle. In addition, SkillHarness introduces selective skill reuse, where tasks are guided to decompose according to context and completed through the selective activation of skill subsets. Our experiments demonstrate that SkillHarness significantly reduces the unsafe rate of learned skills by 57.1% and consistently improves execution stability under dynamic environmental changes, outperforming existing baselines.
- Abstract（参考訳）: Computer-Use Agents (CUA)は、動的インタラクティブな環境にますますデプロイされ、インタラクション中の継続的なスキル学習の必要性が高まっている。
近年のアプローチでは、再利用可能なスキルを軌道から学習することでこの問題に対処している。
しかし、これらのスキル学習手法は、主に静的で安全な環境を前提としており、敵の相互作用(例えば、迅速な注入)や環境ダイナミクス(例えば、ポップアップ)のリスクを見越している。
ダイナミックな設定では、そのような仮定はリスクの高いスキル学習と脆い実行をもたらし、CUAの信頼性を損なう可能性がある。
CUAはどのようにして動的環境で学び、安全にスキルを使えるのか?
この問題に対処するために,動的環境における安全なスキル活用のためのフレームワークであるSkillHarnessを提案する。
SkillHarnessは、スキル学習をモデリングし、安全に制約されたインタラクションプロセスとして利用することによって、静的なスキル抽象化を越えている。
具体的には、マルチソース監視信号を活用して、インタラクショントラジェクトリから安全なスキルを識別し、スキルライフサイクルを通して自己改善型安全制約を構築するスキル境界について紹介する。
さらに、SkillHarnessは選択的なスキル再利用を導入し、タスクはコンテキストに応じて分解され、スキルサブセットの選択的なアクティベーションによって完了する。
実験の結果,SkillHarnessは学習スキルの安全性を57.1%低下させ,動的環境変化による実行安定性を向上し,既存のベースラインよりも優れていた。
関連論文リスト
- Skill Self-Play: Pushing the Frontier of LLM Capability with Co-Evolving Skills [53.15216425100295]
本稿では,提案者,解決者,スキルコントローラからなる共進化型フレームワークであるスキルセルフプレイ(スキルSP)を紹介する。
プロジェクタは動的にサンプリングされたスキルを前提とした挑戦的なタスクを生成し、ソルバは能力境界を押し上げるための候補ソリューションを探索し、スキルコントローラは実行フィードバックを収集してスキルライブラリを更新および拡張する。
このインタラクティブな共進化は、構造化された検証とオープンな調査の間のギャップを効果的に埋める。
論文 参考訳（メタデータ） (2026-07-24T17:59:22Z) - Learning New Tasks via Reusable Skills: Skill-Compositional Experts for Embodied Continual Learning [60.37693496953694]
Embodied Continual Learning (ECL)は、ロボットが新たな操作タスクを継続的に取得できるようにすることを目的としている。
ECLはより深刻な破滅的な忘れ込みに悩まされる。
ECLの主な課題は、継続的に進化するタスクにおける構造化されたスキル再利用である。
論文 参考訳（メタデータ） (2026-06-14T09:02:49Z) - Learning While Acting: A Skill-Enhanced Test-Time Co-Evolution Framework for Online Lifelong Learning Agents [32.49699221723716]
大規模言語モデル(LLM)エージェントが動的にインタラクティブな環境で動作するためには、生涯学習が不可欠である。
オンライン生涯学習エージェントのための2段階強化学習フレームワークであるSkill-enhanced Test-Time Co-Evolution(textttLifeSkill)を提案する。
論文 参考訳（メタデータ） (2026-06-03T12:38:57Z) - From Context to Skills: Can Language Models Learn from Context Skillfully? [56.5857437218136]
Ctx2Skillは、コンテキスト固有のスキルを自律的に発見、洗練、選択する自己進化フレームワークである。
より良い文脈学習能力を得るために、どんな言語モデルにもプラグインできる。
論文 参考訳（メタデータ） (2026-04-30T09:53:15Z) - SkillAttack: Automated Red Teaming of Agent Skills through Attack Path Refinement [66.44008181092832]
LLMベースのエージェントシステムは、その能力を拡張するためにオープンレジストリからのエージェントスキルにますます依存している。
SkillAttackは、敵のプロンプトを通じて、スキル脆弱性の脆弱性を検証できるフレームワークである。
論文 参考訳（メタデータ） (2026-04-05T06:25:11Z) - SkiLD: Unsupervised Skill Discovery Guided by Factor Interactions [48.003320766433966]
この研究は、ローカル依存(スキルド)からのスキル発見を紹介します。
Skildは、環境内の異なる相互作用を誘発するスキルの習得を明示的に促進する、新しいスキル学習の目標を開発する。
本研究では,現実的なシミュレートされた家庭用ロボットドメインを含む,長期にわたる不利な報酬課題を伴う複数の領域におけるスキルドの評価を行った。
論文 参考訳（メタデータ） (2024-10-24T04:01:59Z) - Disentangled Unsupervised Skill Discovery for Efficient Hierarchical Reinforcement Learning [39.991887534269445]
Disentangled Unsupervised Skill Discovery (DUSDi) は、下流の課題を解決するために効率的に再利用できる非角スキルの学習方法である。
DUSDiはスキルを切り離したコンポーネントに分解し、各スキルコンポーネントは状態空間の1つの要素にのみ影響する。
DUSDiは、障害のあるスキルをうまく学習し、下流タスクの解決に学習したスキルを適用するという点で、従来のスキル発見方法よりもはるかに優れています。
論文 参考訳（メタデータ） (2024-10-15T04:13:20Z) - SLIM: Skill Learning with Multiple Critics [8.645929825516818]
自己指導型スキル学習は、環境の基盤となるダイナミクスを活用する有用な行動を取得することを目的としている。
相互情報に基づく潜在変数モデルは、このタスクでは成功したが、ロボット操作の文脈では依然として苦戦している。
SLIMは,ロボット操作に特化して,スキル発見のための多批判学習手法である。
論文 参考訳（メタデータ） (2024-02-01T18:07:33Z) - C$\cdot$ASE: Learning Conditional Adversarial Skill Embeddings for
Physics-based Characters [49.83342243500835]
C$cdot$ASEは、物理系文字に対する条件付き適応スキル埋め込みを学習する効率的なフレームワークである。
C$cdot$ASEは、不均一なスキルモーションを、低レベル条件モデルのトレーニングのための均質なサンプルを含む別個のサブセットに分割する。
スキル条件の模倣学習は、訓練後のキャラクターのスキルを明確に制御する。
論文 参考訳（メタデータ） (2023-09-20T14:34:45Z) - One After Another: Learning Incremental Skills for a Changing World [19.051800747558794]
スキル発見のための新たなフレームワークを提案する。
進化環境と静的環境の両方において、インクリメンタルスキルは現在の最先端のスキル発見方法よりも著しく優れていることを実証した。
論文 参考訳（メタデータ） (2022-03-21T17:55:21Z)
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。