論文の概要: Interactive Training 2: Auditable Control Plane for Live Model Training

• arxiv url: http://arxiv.org/abs/2607.18314v1
• Date: Fri, 17 Jul 2026 18:06:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.178833
• Title: Interactive Training 2: Auditable Control Plane for Live Model Training
• Title（参考訳）: インタラクティブトレーニング2:ライブモデルトレーニングのための監査可能なコントロールプレーン
• Abstract要約: 共有プロトコルによるステアリングトレーニングのためのオープンソースのコントロールプレーンであるInteractive Training 2を提案する。 トレーニングアプリケーションは、公開する設定とアクションを宣言し、人間と自動コントローラは同じインターフェースを通じてリクエストを送信し、トレーニングループはそれらを安全なコントロールポイントで検証して適用する。
• 参考スコア（独自算出の注目度）: 25.539471857591508
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Experiment trackers show how training is progressing, but changing a live run still usually requires trainer-specific code. We present Interactive Training 2, an open-source control plane for steering training through a shared protocol. Training applications declare which settings and actions they expose, humans and automated controllers submit requests through the same interface, and the training loop validates and applies them at safe control points. A customized Aim workspace combines live metrics and controls with a chronological record of requests and outcomes. We demonstrate the system across five NLP and reinforcement-learning workflows. The released code and traces provide a reusable foundation for auditable human- and agent-guided training.
• Abstract（参考訳）: テストトラッカーは、トレーニングの進捗を示すが、ライブ実行を変更するには、通常、トレーナー固有のコードが必要である。 共有プロトコルによるステアリングトレーニングのためのオープンソースのコントロールプレーンであるInteractive Training 2を提案する。 トレーニングアプリケーションは、公開する設定とアクションを宣言し、人間と自動コントローラは同じインターフェースを通じてリクエストを送信し、トレーニングループはそれらを安全なコントロールポイントで検証して適用する。 カスタマイズされたAimワークスペースは、ライブメトリクスとコントロールと、リクエストと結果の時系列記録を組み合わせたものだ。 5つのNLPおよび強化学習ワークフローにまたがってシステムを実演する。 リリースされたコードとトレースは、監査可能な人間およびエージェント誘導トレーニングのための再利用可能な基盤を提供する。

関連論文リスト

• Training Language Models to Cooperate with Inference-Time Controllers [25.4633535418324]
  CALM(Controller-Aware Language Models)は、トレーニングループにコントローラを明示的に配置するポストトレーニングフレームワークである。 コントローラによるインタラクションプロトコル上でのマルチタスク強化学習として,コントローラに意識したポストトレーニングを定式化する。 制御器構成とより広い制御器シフトに対するCALMの評価を行い、制御器認識後学習が単一制御器最適化を超えた推論時間における一般化を改善することを示した。
  論文  参考訳（メタデータ） (2026-07-26T17:44:33Z)
• AI Training Manager: Bounded Closed-Loop Control of Adaptive Training Recipes [0.0]
  Managerはアクティブな実行から構造化されたテレメトリスナップショットを読み、制約されたアクション空間を監査し、トレーニングパラメータに検証された更新を返す。 TinyStoriesでは、マネージャがオーバーフィッティングを検出し修正し、ベースラインよりも60%低い検証損失を達成する。 ロボット操作強化学習タスクでは,評価やチェックポイント境界においてマネージャの更新を適用したエピソード閉ループ設定において,同じ境界決定インタフェースを使用する。
  論文  参考訳（メタデータ） (2026-06-29T07:07:33Z)
• Learning Massively Multitask World Models for Continuous Control [25.87102585211245]
  汎用制御は、多くのタスクや実施事項にまたがって行動するエージェントを要求する。 オンラインインタラクションで数百のタスクで、ひとつのエージェントをトレーニングできるかどうかを問う。 本稿では,まず実演で事前学習した言語条件のマルチタスクワールドモデルであるemphNewtを紹介する。
  論文  参考訳（メタデータ） (2025-11-24T18:57:19Z)
• Efficient Multi-turn RL for GUI Agents via Decoupled Training and Adaptive Data Curation [65.3648667980258]
  視覚言語モデル(VLM)に基づくGUIエージェントは複雑なタスクの自動化を約束するが、強化学習(RL)の適用において大きな課題に直面している。 異種モジュールを高度に非結合的に協調するGUIエージェントのための非結合エージェントRLトレーニングフレームワークであるDARTを提案する。 OSWorldのベンチマークでは、DART-GUI-7Bは42.13%のタスク成功率、14.61%の絶対ゲイン、オープンソースSOTAよりも7.34%高い。
  論文  参考訳（メタデータ） (2025-09-28T13:19:20Z)
• Multi-Mode Process Control Using Multi-Task Inverse Reinforcement Learning [11.820381529066475]
  本稿では,データ駆動型マルチモード制御設計のための逆強化学習(IRL)とマルチタスク学習を統合した新しいフレームワークを提案する。 連続発泡タンクリアクターとフィードバッチバイオリアクターのケーススタディは、適応可能なマルチモードデータとトレーニングコントローラを扱う上で、このフレームワークの有効性を検証する。
  論文  参考訳（メタデータ） (2025-05-27T11:01:00Z)
• Robot Fine-Tuning Made Easy: Pre-Training Rewards and Policies for Autonomous Real-World Reinforcement Learning [58.3994826169858]
  ロボット強化学習のためのリセット不要な微調整システムであるRoboFuMEを紹介する。 我々の洞察は、オフラインの強化学習技術を利用して、事前訓練されたポリシーの効率的なオンライン微調整を確保することである。 提案手法では,既存のロボットデータセットからのデータを組み込んで,目標タスクを3時間以内の自律現実体験で改善することができる。
  論文  参考訳（メタデータ） (2023-10-23T17:50:08Z)
• Model-Based Reinforcement Learning with Multi-Task Offline Pretraining [59.82457030180094]
  本稿では,オフラインデータから新しいタスクへ,潜在的に有用なダイナミックスや動作デモを伝達するモデルベースRL法を提案する。 主な考え方は、世界モデルを行動学習のシミュレーターとしてだけでなく、タスクの関連性を測定するツールとして使うことである。 本稿では,Meta-WorldとDeepMind Control Suiteの最先端手法と比較して,我々のアプローチの利点を実証する。
  論文  参考訳（メタデータ） (2023-06-06T02:24:41Z)
• Let Offline RL Flow: Training Conservative Agents in the Latent Space of Normalizing Flows [58.762959061522736]
  オフライン強化学習は、追加の環境相互作用なしに、事前に記録された、固定されたデータセット上でポリシーをトレーニングすることを目的としている。 我々は、最近、潜在行動空間における学習ポリシーを基礎として、生成モデルの構築に正規化フローの特別な形式を用いる。 提案手法が最近提案したアルゴリズムより優れていることを示すため,様々な移動タスクとナビゲーションタスクについて評価を行った。
  論文  参考訳（メタデータ） (2022-11-20T21:57:10Z)
• Action-Conditioned Contrastive Policy Pretraining [39.13710045468429]
  深層運動のポリシー学習は、ロボット操作や自律運転などの制御タスクにおいて有望な結果を達成する。 トレーニング環境との膨大な数のオンラインインタラクションが必要です。 本研究では、数時間の未計算YouTubeビデオを用いて、タスクを駆動するためのポリシー表現を事前訓練することを目的とする。
  論文  参考訳（メタデータ） (2022-04-05T17:58:22Z)
• Counterfactual Cycle-Consistent Learning for Instruction Following and Generation in Vision-Language Navigation [172.15808300686584]
  本稿では,2つのタスクを同時に学習し,それぞれのトレーニングを促進するために本質的な相関性を利用するアプローチについて述べる。 提案手法は,様々な追従モデルの性能を改善し,正確なナビゲーション命令を生成する。
  論文  参考訳（メタデータ） (2022-03-30T18:15:26Z)
• Personalized Rehabilitation Robotics based on Online Learning Control [62.6606062732021]
  本稿では,各ユーザに対して実行時の制御力をパーソナライズ可能な,新しいオンライン学習制御アーキテクチャを提案する。 提案手法を,学習コントローラがパーソナライズされた制御を提供するとともに,安全な相互作用力も得られる実験ユーザスタディで評価した。
  論文  参考訳（メタデータ） (2021-10-01T15:28:44Z)
• Self-Supervised Person Detection in 2D Range Data using a Calibrated Camera [83.31666463259849]
  2次元LiDARに基づく人検出器のトレーニングラベル(擬似ラベル)を自動生成する手法を提案する。 擬似ラベルで訓練または微調整された自己監視検出器が,手動アノテーションを用いて訓練された検出器を上回っていることを示した。 私達の方法は付加的な分類の努力なしで配置の間に人の探知器を改善する有効な方法です。
  論文  参考訳（メタデータ） (2020-12-16T12:10:04Z)

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。