論文の概要: TacEvo: Self-Evolving Architecture Discovery for Robotic Tactile Perception via LLM-Driven Quality-Diversity Search

• arxiv url: http://arxiv.org/abs/2606.30109v1
• Date: Mon, 29 Jun 2026 10:45:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.196317
• Title: TacEvo: Self-Evolving Architecture Discovery for Robotic Tactile Perception via LLM-Driven Quality-Diversity Search
• Title（参考訳）: TacEvo: LLM駆動品質多様性探索によるロボット触覚知覚のための自己進化型アーキテクチャ発見
• Abstract要約: 視覚に基づく触覚センシングは、接触による表面の変形を画像に変換する。 TacEvoは、下流からのフィードバックからネットワーク設計を改善する自己進化型アーキテクチャ発見フレームワークである。
• 参考スコア（独自算出の注目度）: 6.975054201075641
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Vision-based tactile sensing converts contact-induced surface deformation into images, enabling robots to infer contact forces and fine surface textures that are not accessible through conventional vision alone. However, tactile images are sensor- and physics-specific, so effective architectures often require expert intuition and extensive manual iteration. Existing neural architecture search (NAS) pipelines can reduce this burden, but they are often computationally expensive and restricted to hand-designed search spaces, which limits architectural novelty and diversity. We introduce TacEvo, a self-evolving architecture discovery framework that improves network designs from downstream feedback. TacEvo uses an LLM to generate code-level mutations and crossovers, and a MAP-Elites quality-diversity loop that preserves diverse elite architectures while preferentially reusing prompts that consistently yield improvements. Exploration is guided by two behavioural descriptors, Architectural Diversity and Efficiency Ratio, which encourage coverage across structural variations and compute-size trade-offs. On ViTacTip force regression and grating classification, TacEvo achieves high autonomous generation reliability (96.0%/94.5% trainable) and improves best validation fitness over 20 generations by 56.1%/96.1%. In a 20-seed post-search high-fidelity evaluation, TacEvo matches the expert baseline on force prediction and outperforms it on fine-grained grating classification. These results suggest that LLM-driven self-evolving search constitutes a practical paradigm for AI-assisted scientific discovery in specialised robotic sensing.
• Abstract（参考訳）: 視覚に基づく触覚センシングは、接触によって引き起こされる表面の変形を画像に変換し、従来の視覚だけではアクセスできない接触力や細かい表面のテクスチャをロボットが推測することを可能にする。 しかし、触覚画像はセンサーと物理に特有であるため、効果的なアーキテクチャは専門家の直感と広範囲な手動反復を必要とすることが多い。 既存のニューラルネットワークサーチ(NAS)パイプラインは、この負担を軽減することができるが、計算コストが高く、手作業で設計されたサーチスペースに限定されており、アーキテクチャの新規性と多様性を制限している。 本稿では,下流からのフィードバックからネットワーク設計を改善する自己進化型アーキテクチャ発見フレームワークであるTacEvoを紹介する。 TacEvoはLLMを使用してコードレベルの突然変異とクロスオーバーを生成し、MAP-Elitesの品質多様性ループは様々なエリートアーキテクチャを保存し、改善を継続的に獲得するプロンプトを優先的に再利用する。 探索は2つの行動記述子、アーキテクチャの多様性と効率の比率によって導かれる。 ViTacTipの力の回帰と格子の分類では、TacEvoは高い自律的生成信頼性(96.0%/94.5%のトレーニングが可能)を達成し、20世代で最高の検証適合性を56.1%/96.1%向上させる。 20シードの高忠実度評価において、TacEvoは、力の予測に基づいて専門家のベースラインと一致し、きめ細かいグレーティング分類でそれを上回る。 これらの結果から, LLMによる自己進化探索は, 特殊ロボットセンシングにおけるAIによる科学的発見の実践的パラダイムとなっていることが示唆された。

関連論文リスト

• Design and Validation of a Lightweight 1D CNN for Affective Touch Classification in Soft Plush Companions [59.49967357689445]
  ソフトなセンサー付きコンパニオンは、社会的支援技術のための物理的に安全で感情的に直感的なインターフェースを提供する。 本研究では,ソフト・インタラクティブ・コンパニオンにおける感情的触覚認識のためのディープラーニングモデルの開発と検証を目的とした,オープンソースで拡張されたリアルタイムフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-16T10:20:05Z)
• AutoMS: Multi-Agent Evolutionary Search for Cross-Physics Inverse Microstructure Design [5.793027603299694]
  AutoMSは、進化的検索として逆設計を再構成する多エージェントのニューロシンボリックフレームワークである。 従来の進化戦略の「盲目」に対処する。 AutoMSは17種類のクロスフィジカルタスクにおいて、最先端の83.8%の成功率を達成する。
  論文  参考訳（メタデータ） (2026-03-28T08:51:33Z)
• DASViT: Differentiable Architecture Search for Vision Transformer [8.839801565444775]
  視覚変換器のための微分可能なアーキテクチャ探索(DASViT)を導入する。 DASViTはViTの識別可能な検索のギャップを埋め、新しいデザインを明らかにする。 実験によると、DASViTは従来のTransformerエンコーダの設計を破り、複数のデータセットでViT-B/16を上回り、パラメータやFLOPを減らして優れた効率を達成するアーキテクチャを提供する。
  論文  参考訳（メタデータ） (2025-07-17T12:48:00Z)
• ZeroLM: Data-Free Transformer Architecture Search for Language Models [54.83882149157548]
  現在の自動プロキシ発見アプローチは、検索時間の拡張、データの過度なオーバーフィットへの感受性、構造的な複雑さに悩まされている。 本稿では,効率的な重み統計によるモデルキャパシティの定量化を目的とした,新しいゼロコストプロキシ手法を提案する。 本評価は,FlexiBERT ベンチマークで Spearman's rho 0.76 と Kendall's tau 0.53 を達成し,このアプローチの優位性を示すものである。
  論文  参考訳（メタデータ） (2025-03-24T13:11:22Z)
• EM-DARTS: Hierarchical Differentiable Architecture Search for Eye Movement Recognition [20.209756662832365]
  微分可能なニューラルアーキテクチャサーチ(DARTS)は、高い探索効率でアーキテクチャ設計のマニュアルプロセスを自動化する。 眼球運動認識のためのDLアーキテクチャを自動設計する階層的微分可能なアーキテクチャ探索アルゴリズムEM-DARTSを提案する。 EM-DARTSは、最先端の認識性能につながる最適なアーキテクチャを実現できることを示す。
  論文  参考訳（メタデータ） (2024-09-22T13:11:08Z)
• Relax DARTS: Relaxing the Constraints of Differentiable Architecture Search for Eye Movement Recognition [9.905155497581815]
  眼球運動認識の分野にNASアルゴリズムを導入する。 Relax DARTSは、より効率的なネットワーク検索とトレーニングを実現するために、DARTSの改良である。 Relax DARTSは、他の多機能時間分類タスクへの適応性を示す。
  論文  参考訳（メタデータ） (2024-09-18T02:37:04Z)
• FocusFormer: Focusing on What We Need via Architecture Sampler [45.150346855368]
  ビジョントランスフォーマー(ViT)はコンピュータビジョンの最近のブレークスルーを支えている。 ワンショットのニューラルアーキテクチャ検索は、さまざまなデプロイメントシナリオのためのスーパーネットトレーニングとアーキテクチャ専門化を分離する。 このようなギャップを埋めるために、FocusFormerと呼ばれるシンプルで効果的な手法を考案する。
  論文  参考訳（メタデータ） (2022-08-23T10:42:56Z)
• D-DARTS: Distributed Differentiable Architecture Search [75.12821786565318]
  微分可能なArchiTecture Search(DARTS)は、最も流行しているニューラルネットワークサーチ(NAS)の1つである。 セルレベルで複数のニューラルネットワークをネストすることでこの問題に対処する新しいソリューションD-DARTSを提案する。
  論文  参考訳（メタデータ） (2021-08-20T09:07:01Z)
• AutoBERT-Zero: Evolving BERT Backbone from Scratch [94.89102524181986]
  そこで本稿では,提案するハイブリッドバックボーンアーキテクチャを自動検索するOP-NASアルゴリズムを提案する。 提案するOP-NASの効率を向上させるために,探索アルゴリズムと候補モデルの評価を最適化する。 実験の結果、検索されたアーキテクチャ(AutoBERT-Zero)は、様々な下流タスクにおいてBERTとそのバリエーションの異なるモデル容量を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-07-15T16:46:01Z)
• AutoSpace: Neural Architecture Search with Less Human Interference [84.42680793945007]
  現在のニューラルネットワークアーキテクチャ検索(NAS)アルゴリズムは、ネットワーク構築のための検索空間を設計するための専門知識と努力を必要とします。 探索空間を最適なものに進化させる新しい微分可能な進化フレームワークであるAutoSpaceを提案する。 学習した検索空間では、最近のNASアルゴリズムの性能は、以前手作業で設計した空間に比べて大幅に改善できる。
  論文  参考訳（メタデータ） (2021-03-22T13:28:56Z)
• Towards Automated Neural Interaction Discovery for Click-Through Rate Prediction [64.03526633651218]
  CTR(Click-Through Rate)予測は、レコメンダシステムにおいて最も重要な機械学習タスクの1つである。 本稿では,AutoCTR と呼ばれる CTR 予測のための自動インタラクションアーキテクチャ探索フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-29T04:33:01Z)

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。