論文の概要: Field Aware Agent Skill Retrieval

• arxiv url: http://arxiv.org/abs/2608.02880v1
• Date: Mon, 03 Aug 2026 21:01:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:22.947647
• Title: Field Aware Agent Skill Retrieval
• Title（参考訳）: フィールドアウェアエージェントスキル検索
• Authors: Paimon Goulart, Liang Wu, Kelly Wan, Evangelos E. Papalexakis, Liangjie Hong,
• Abstract要約: 現在のスキル検索手法では、各スキルを1つのフラットドキュメントとして扱い、名前、記述、体などのフィールドを連結する。 本研究では,この構造を維持することにより,スキル検索が向上するかどうかを考察する。 以上の結果から,スキル表現自体が重要であること,スキルファイルにすでに存在する構造を単に保存するだけで,検索を大幅に改善できることが示唆された。
• 参考スコア（独自算出の注目度）: 6.200160577982533
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As lifelong learning agents accumulate lifelong growing skill banks, retrieving the correct skill becomes an increasingly important bottleneck. Most current skill retrieval methods treat each skill as one flat document by concatenating fields such as the name, description, and body. However, skills are naturally structured, multi-field objects, where each field provides different information about when and how the skill should be used. In this work, we study whether preserving this structure improves skill retrieval. We represent each skill as its separate components, and compute sparse and dense similarities for each field independently, exposing a naturally tensorized, field-aware representation of the skill bank. We then combine these field-level scores either with uniform weights or with a small learned MLP. Across two different skill retrieval benchmarks, SkillRet and SRA-Bench, we find that keeping fields separate improves hybrid retrieval, and learning over the field-level scores gives the strongest and most consistent results. Our field-aware MLP reaches $77.95$ Recall@10 on SkillRet and $83.78$ Recall@10 on SRA-Bench, outperforming the corresponding concatenated learned baselines. We also find that the advantage grows as the skill bank becomes larger, suggesting that field-aware skill retrieval becomes especially useful in the setting where retrieval is most difficult. Our results show that skill representation itself matters, and that simply preserving the structure already present in skill files can substantially improve retrieval.
• Abstract（参考訳）: 生涯にわたる学習エージェントが成長するスキルバンクを蓄積するにつれて、正しいスキルを取得することがますます重要なボトルネックとなる。 現在のスキル検索手法の多くは、名前、記述、体などのフィールドを連結することにより、各スキルを1つのフラットドキュメントとして扱う。 しかし、スキルは自然に構造化され、各フィールドがいつ、どのようにスキルを使うべきかについての異なる情報を提供するマルチフィールドオブジェクトである。 本研究では,この構造を維持することにより,スキル検索が向上するかどうかを考察する。 我々は各スキルをそれぞれのコンポーネントとして表現し、各フィールドの疎密な類似性を独立に計算し、スキルバンクの自然なテンソル化とフィールド認識の表現を露呈する。 次に、これらのフィールドレベルのスコアを、均一なウェイトまたは小さな学習用MPPと組み合わせます。 SkillRetとSRA-Benchの2つの異なるスキル検索ベンチマークで、フィールドの分離がハイブリッド検索を改善し、フィールドレベルのスコアを学習することで、最強で一貫性のある結果が得られることがわかった。 SkillRetでは7.95$ Recall@10、SRA-Benchでは8.78$ Recall@10に達し、対応する連結学習ベースラインを上回っています。 また, スキルバンクが大きくなるにつれて, スキルバンクのメリットが増大し, フィールド認識スキル検索が特に有用であることが示唆された。 以上の結果から,スキル表現自体が重要であること,スキルファイルにすでに存在する構造を単に保存するだけで,検索を大幅に改善できることが示唆された。

関連論文リスト

• SkillSight: Calibrating Generic Content Bias for Skill Retrieval [12.466141257341851]
  既存のレトリバーは、しばしばスキル内容を通常の文書として扱い、非常に規則的な構造を見下ろしている。 この共有背景は、密接な関連度スコアに反映され、クエリとスキルドキュメントの間に顕著なエネルギーギャップを生じさせ、識別シグナルを曖昧にすることを示す。 SkillSightは、意味空間と語彙空間の両方で共有背景を校正する学習自由検索フレームワークである。
  論文  参考訳（メタデータ） (2026-07-21T07:05:15Z)
• Generative Skill Composition for LLM Agents [58.47191648555256]
  LLMエージェントは複雑なタスクを解決するためのスキルの恩恵を受ける。 スキルライブラリが成長するにつれて、適切なスキル構成を選択することが中心的なボトルネックとして現れている。 本稿では,タスク条件付きスキルシーケンス予測として構造化されたスキルコンポジションをインスタンス化するSkillComposerを提案する。
  論文  参考訳（メタデータ） (2026-06-30T17:53:09Z)
• 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)
• SkillGraph: Skill-Augmented Reinforcement Learning for Agents via Evolving Skill Graphs [70.1970574147839]
  有向グラフのノードとして再利用可能なスキルを表現するフレームワークであるSKILLGRAPHを提案する。 SKILLGRAPHは個々のスキルだけでなく、多段階意思決定をガイドできる順序付きスキルサブグラフも取得する。 実験により,SKILLGRAPHはメモリ拡張RL法に対して最先端の性能を実現することが示された。
  論文  参考訳（メタデータ） (2026-05-12T12:21:49Z)
• SkillRet: A Large-Scale Benchmark for Skill Retrieval in LLM Agents [8.628588436048952]
  LLMエージェントにおけるスキル検索のための大規模ベンチマークであるSkillRetを紹介する。 63,259のトレーニングサンプルと,相容れないスキルプールを備えた4,997のアセスメントクエリを提供する。 オフザシェルフモデルは現実的な大規模スキルライブラリに苦しむが、以前のスキル検索モデルは依然として相当なヘッドルームを残している。
  論文  参考訳（メタデータ） (2026-05-07T06:18:11Z)
• SkillMimic: Learning Basketball Interaction Skills from Demonstrations [85.23012579911378]
  我々は、エージェントがインタラクションスキルを学習する方法を根本的に変える統合データ駆動フレームワークであるSkillMimicを紹介した。 私たちの重要な洞察は、統合されたHOI模倣報酬は、HOIデータセットから多様な相互作用パターンの本質を効果的に捉えることができるということです。 評価のために,約35分間のバスケットボールスキルを含む2つのバスケットボールデータセットを収集,導入した。
  論文  参考訳（メタデータ） (2024-08-12T15:19:04Z)
• Skill-Based Reinforcement Learning with Intrinsic Reward Matching [77.34726150561087]
  Intrinsic Reward Matching (IRM) を提案する。 IRMにより、従来のスキル選択方法よりもはるかに効果的に事前訓練されたスキルを活用できる。
  論文  参考訳（メタデータ） (2022-10-14T00:04:49Z)

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。