Fugu-MT 論文翻訳(概要): Agentic Skill Optimization over Lie Algebroids

論文の概要: Agentic Skill Optimization over Lie Algebroids

arxiv url: http://arxiv.org/abs/2607.11493v1
Date: Mon, 13 Jul 2026 12:48:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-14 17:47:21.468537
Title: Agentic Skill Optimization over Lie Algebroids
Title（参考訳）: リーアルゲブロイドを用いたエージェントスキル最適化
Abstract要約: 本稿では,Lie Algebroid SKill Optimization のための LASKO と呼ばれる新しいスキル最適化フレームワークを提案する。 LASKOモデルはタイプされ、Markdownスキルを基本カテゴリとしてアンカーし、編集ポリシーをコントロールされたLie algebroidのセクションとして利用できる。本論文で示すように、LASKOは、大規模な言語モデルの実行を必要とする高価な検証に投資する前に、マイクロ秒で実行される安価なLie-bracketスクリーニングテストに代えて、前回のベンチマーク結果において、スキル最適化のオーダー・オブ・マグニチュード・スピードアップを実現している。
参考スコア（独自算出の注目度）: 1.3295383263113112
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Agentic systems increasingly improve themselves by editing skills: prompts, rubrics, plans, tool contracts, examples, validators, and traces. Skill edits are not independent coordinates in a vector space: they are local repairs to structured artifacts whose effects are observed only after rollout, validation, and critique. Distinct edits can have the same immediate visible effect while differing in routing context, template state, guardrail scope, or future composability. The order of edits can matter as well: repairing a schema before a normalization rule need not be equivalent to applying the same edits in the reverse order. This paper introduces a new framework for skill optimization called LASKO, for Lie Algebroid SKill Optimization. LASKO models typed, anchored Markdown skills as the base category and available edit policies as sections of a controlled Lie algebroid with anchor $ρ$. The anchor maps an edit policy to its visible Markdown effect; the kernel $\ker(ρ)$ represents latent template, routing, or implementation structure; and the algebroid bracket measures noncommuting edit composition. As shown in the paper, LASKO achieves order-of-magnitude speedups in skill optimization in our preliminary benchmark results, primarily because it substitutes inexpensive Lie-bracket screening tests that run in microseconds, before investing in expensive validations that require running large language models. On a causal extraction from natural language task, LASKO achieved a speedup of almost $15 \times$ compared to a brute-force approach that validated all edits by running them through a DeepSeek V3.1 4-bit model with 671B parameters.
Abstract（参考訳）: エージェントシステムは、プロンプト、ルーブリック、プラン、ツール契約、例、バリデータ、トレースといったスキルを編集することで、ますます改善される。スキル編集はベクトル空間における独立した座標ではなく、ロールアウト、検証、批評の後にのみ効果が観察される構造化アーティファクトの局所的な修復である。個別編集は、ルーティングコンテキスト、テンプレート状態、ガードレールスコープ、将来のコンポーザビリティにおいて、同じ即時表示効果を持つことができる。正規化ルールの前にスキーマを修復することは、逆の順序で同じ編集を適用することと等価ではない。本稿では,Lie Algebroid SKill Optimization のための LASKO と呼ばれる新しいスキル最適化フレームワークを提案する。 LASKOモデルは型付けされ、Markdownスキルを基本カテゴリに、編集ポリシーをコントロールされたLie algebroidのセクションとして、アンカー$ρ$で利用できる。アンカーは編集ポリシーをマークダウン効果にマッピングし、カーネル $\ker(ρ)$ は遅延テンプレート、ルーティング、実装構造を表し、アルゲブロイドブラケットは非可換な編集合成を測定する。本論文で示すように、LASKOは、大規模な言語モデルの実行を必要とする高価な検証に投資する前に、マイクロ秒で実行される安価なLie-bracketスクリーニングテストに代えて、前回のベンチマーク結果において、スキル最適化のオーダー・オブ・マグニチュード・スピードアップを実現している。自然言語タスクからの因果抽出において、LASKOは671Bパラメータを持つDeepSeek V3.1 4ビットモデルで全ての編集を実行することによって、すべての編集を検証したブルートフォースアプローチと比較して、約15 \times$の高速化を達成した。

関連論文リスト

SciDiagramEdit: Learning to Edit Scientific Diagrams from Paper Revisions [66.46898035008782]
SciDiagramEditは、自然論文の改訂から学習する、ベンチマークおよびスキル進化フレームワークである。エージェント提案者は、複数のエポック上の実行トレースからエージェントのスキル仕様を継続的に洗練する。得られたスキルは、保持された検証セットの編集精度を段階的に引き上げる。
論文参考訳（メタデータ） (2026-07-16T17:58:36Z)
SWE-Edit: Rethinking Code Editing for Efficient SWE-Agent [17.74253780030394]
SWE-Editは、コード編集を2つの特別なサブエージェントに分解する。 SWE-bench Verifiedでは、SWE-Editは推論コストを17.9%削減し、解決率を2.1%改善する。
論文参考訳（メタデータ） (2026-04-28T20:35:09Z)
The Anatomy of an Edit: Mechanism-Guided Activation Steering for Knowledge Editing [52.315369633116255]
大規模言語モデル(LLM)は知識ベースとしてますます使われているが、それらを最新の状態に保つには、目標とする知識編集(KE)が必要である。ニューロンレベルの知識属性(NLKA)を用いたKEの力学的考察代表的KE法全体にわたって、我々は一貫したパターンを見出す: ミッド・トゥ・レイト・アテンションは、主に新しいターゲットを促進するが、アテンションとFFNモジュールは、元の事実を抑えるために協力する。本研究の目的は,MEGA(Mechanism-Guided Activation steering method)を提案することである。
論文参考訳（メタデータ） (2026-03-21T12:40:15Z)
CrispEdit: Low-Curvature Projections for Scalable Non-Destructive LLM Editing [25.410131838577907]
CrispEditは、機能保存を明示的な制約として扱う、原則化された2階編集アルゴリズムである。 CrispEditは、データセット全体の平均1%未満の機能劣化を維持しながら、高い編集成功を実現していることを示す。
論文参考訳（メタデータ） (2026-02-17T18:58:04Z)
CoEditor++: Instruction-based Visual Editing via Cognitive Reasoning [98.98349220451216]
CoEditor++は、編集を"編集する方法"と"編集方法"に分解する、トレーニング不要のフレームワークである。我々は,CoEditor++が編集タスクと編集タスクの両方において,最先端のパフォーマンスを実現することを示す。以上の結果から,認知中心型画像編集の可能性が示唆された。
論文参考訳（メタデータ） (2026-01-31T12:20:46Z)
Quantifying Edits Decay in Fine-tuned LLMs [17.377278510871843]
本研究では,微調整が知識編集に与える影響について検討する。我々は,2つの最先端編集手法(MEMIT,AlphaEdit)と3つの微調整手法を評価した。以上の結果から,微調整後に編集が崩壊し,生存は構成によって異なることが明らかとなった。
論文参考訳（メタデータ） (2025-11-08T04:58:03Z)
MEMOIR: Lifelong Model Editing with Minimal Overwrite and Informed Retention for LLMs [76.28901550926021]
寿命の長いモデル編集のための既存の方法は、妥協の一般化、過去の編集の妨害、長い編集シーケンスへのスケールの失敗である。我々は,学習済みモデルのコア能力を保ちながら,残メモリを介して知識を注入する,新しいスケーラブルなフレームワークMEMOIRを提案する。 MeMOIRは信頼性、一般化、ローカリティのメトリクスにまたがる最先端のパフォーマンスを実現し、最小限の忘れ物で数千のシーケンシャルな編集にスケールする。
論文参考訳（メタデータ） (2025-06-09T16:16:42Z)
Constraining Sequential Model Editing with Editing Anchor Compression [40.93064933191375]
大型言語モデル(LLM)は、誤った知識や時代遅れの知識によって幻覚に苦しむ。本稿では, 編集後のパラメータ行列が, 編集数の増加に伴って, 以前の状態と大きくずれていることを統計的に観察する。逐次的編集におけるパラメータ行列の偏差を抑制するため,EAC (Editing Anchor Compression) というフレームワークが提案されている。
論文参考訳（メタデータ） (2025-02-25T03:56:49Z)
NeKo: Toward Post Recognition Generative Correction Large Language Models with Task-Oriented Experts [57.53692236201343]
提案するマルチタスク補正MOEでは,専門家が音声・テキスト・言語・テキスト・視覚・テキスト・データセットの「専門家」になるよう訓練する。 NeKoはマルチタスクモデルとして文法とポストOCR補正を競合的に実行している。
論文参考訳（メタデータ） (2024-11-08T20:11:24Z)
ELDER: Enhancing Lifelong Model Editing with Mixture-of-LoRA [55.697627106315004]
大規模言語モデル(LLM)は、特定の知識を効率的に更新し、事実の誤りを避けるためにモデル編集を必要とする。従来のアプローチでは、元のパラメータを凍結し、知識更新毎に新しいパラメータを個別に割り当てることで、シーケンシャルな編集を管理する。本稿では,データとアダプタを連続的に関連付ける新しい手法であるELDERを提案する。
論文参考訳（メタデータ） (2024-08-19T02:27:00Z)
SWEA: Updating Factual Knowledge in Large Language Models via Subject Word Embedding Altering [17.20346072074533]
近年のモデル編集は,大規模言語モデルの少数の知識を効率的に更新する上で有望な手法である。本稿では,トークンレベルのマッチングによる埋め込みの編集を行うSWEAフレームワークを提案する。 SWEA$oplus$OSのCounterFactデータセットとzsREデータセット上でのSOTA(State-of-the-art)パフォーマンスを実証する。
論文参考訳（メタデータ） (2024-01-31T13:08:45Z)
Memory-Based Model Editing at Scale [102.28475739907498]
既存のモデルエディタは、編集対象のスコープを正確にモデル化するのに苦労する。 SERAC(Retrieval-Augmented Counterfactal Model)を用いた半パラメトリック編集を提案する。 SERACは、編集を明示的なメモリに格納し、必要に応じてベースモデルの予測を変更できるように、それらを推論することを学ぶ。
論文参考訳（メタデータ） (2022-06-13T23:40:34Z)

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。