論文の概要: GeoForge: Non-Parametric Self-Evolving Agents for Earth-Observation Reasoning
- arxiv url: http://arxiv.org/abs/2608.10494v1
- Date: Tue, 11 Aug 2026 05:11:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.914183
- Title: GeoForge: Non-Parametric Self-Evolving Agents for Earth-Observation Reasoning
- Title（参考訳）: GeoForge:地球観測のための非パラメトリック自己進化剤
- Abstract要約: 我々は、完成した軌道を構造化された非パラメトリックな実行状態に変換する、トレーニング不要で自己進化的なフレームワークGeoForgeを提案する。
GeoForgeは、センシングコンテキストに従って操作空間を制約し、3つの補完記憶からタスク条件付きを検索する。
各タスクの後、安全ゲート蒸留プロセスは、接地された軌跡を将来の検索のための再利用可能な実行知識に変換する。
- 参考スコア（独自算出の注目度）: 25.382191805848013
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Earth observation (EO) agents construct scientifically valid tool workflows and ground their conclusions in current geospatial evidence. This is challenging because EO workflows are constrained by sensing semantics, product dependencies, spatial and temporal compatibility, and parameter requirements. Existing agents often search a broad operation space for each query, while recent self-evolving systems do not fully organize heterogeneous EO trajectories into reusable knowledge across different decision levels. To solve this problem, we present GeoForge, a training-free, self-evolving framework that transforms completed trajectories into a structured nonparametric execution state. GeoForge constrains the operation space according to the sensing context, then retrieves a task-conditioned prior from three complementary memories. Workflow Graph Memory captures global operation order, Action-Level Experiences provide local corrections, and the Adapted Skill Standard Operating Procedure preserves procedural and data constraints. The retrieved prior guides tool execution, while current observations remain the basis of the final answer. After each task, a safety-gated distillation process converts grounded trajectories into reusable execution knowledge for future retrieval. This execution, distillation, and reuse loop improves planning without updating the backbone LLM. Experiments on multiple geospatial benchmarks demonstrate that GeoForge consistently improves both task accuracy and tool-use trajectory quality across diverse LLM backbones, while substantially reducing tool-planning and reasoning errors for most LLMs.
- Abstract（参考訳）: 地球観測(EO)エージェントは科学的に有効なツールワークフローを構築し、その結論を現在の地理空間的証拠に根拠付ける。
EOワークフローはセマンティクス、製品依存性、空間的および時間的互換性、パラメータ要求によって制約されるため、これは難しい。
既存のエージェントは、クエリごとに広い操作空間を探索することが多いが、最近の自己進化システムは、不均一なEOトラジェクトリを様々な決定レベルで再利用可能な知識に完全に整理していない。
この問題を解決するために、GeoForgeは、完成した軌跡を構造化された非パラメトリック実行状態に変換する、トレーニング不要で自己進化的なフレームワークである。
GeoForgeは、センシングコンテキストに従って操作空間を制約し、3つの補完記憶からタスク条件付きを検索する。
Workflow Graph Memoryはグローバルな操作順序をキャプチャし、Action-Level Experiencesは局所的な修正を提供し、Adapted Skill Standard Operating procedureは手続き的およびデータ制約を保存する。
検索された事前ガイドはツールの実行をガイドするが、現在の観察は最終回答の基礎のままである。
各タスクの後、安全ゲート蒸留プロセスは、接地された軌跡を将来の検索のための再利用可能な実行知識に変換する。
この実行、蒸留、再利用ループは、バックボーンLLMを更新することなく計画を改善する。
複数の地理空間ベンチマークの実験では、GeoForgeはタスクの正確さと様々なLSMバックボーン間のツール使用軌道品質の両方を一貫して改善し、ほとんどのLSMのツール計画と推論エラーを大幅に低減している。
関連論文リスト
- Earth-Agent-Pro: Towards Real-World Full-Chain Earth Observation with Agents [41.45703910271276]
実世界の地球観測(EO)エージェントは、高レベルの科学的質問を実行可能なものに翻訳しなければならない。
Earth-Bench-Proは、専門家による248のタスクコアを、マッチした3つの体制の下で744の質問としてインスタンス化する。
GPT-5のバックボーンを共有することで、Earth-Agent-Proは66.13%のLDM-as-Judge精度を達成している。
論文 参考訳（メタデータ） (2026-09-11T07:41:36Z) - Agentic AI for Remote Sensing: Technical Challenges and Research Directions [37.28125428920207]
地球観測(EO)は、データ、参照ツール、地理空間状態の協調推論を必要とする多段階解析への静的予測を超えて進んでいる。
本稿では,これらの課題は偶発的ではなく構造的仮定であると主張する。
次に、構造的地理空間状態、ツール認識推論、検証者誘導実行、地理空間的および物理的妥当性に適合した学習目標を中心に、EOネイティブエージェントの設計原理を概説する。
論文 参考訳（メタデータ） (2026-04-27T18:59:49Z) - GeoAgentBench: A Dynamic Execution Benchmark for Tool-Augmented Agents in Spatial Analysis [16.604040127938955]
ツール拡張GISエージェントに適した動的かつインタラクティブな評価ベンチマークであるGeoAgentBench(GABench)を紹介する。
GABenchは117の原子GISツールを統合し、53の典型的な空間分析タスクを含む現実的なサンドボックスを提供する。
我々は,グローバルオーケストレーションをステップワイドなリアクティブ実行から切り離して,専門家の認知異常を模倣する新しいエージェントアーキテクチャであるPlan-and-Reactを開発した。
論文 参考訳（メタデータ） (2026-04-15T13:55:34Z) - Agentic Spatio-Temporal Grounding via Collaborative Reasoning [80.83158605034465]
時間的ビデオグラウンド(Temporal Video Grounding)は、テキストクエリが与えられたビデオ内の対象物または人の時間的チューブを検索することを目的としている。
本稿では,STVGの課題に対して,オープンワールドおよびトレーニングフリーシナリオに向けたエージェント時空間グラウンド(ASTG)フレームワークを提案する。
具体的には、現代多言語モデル(MLLM)を活用した2つの特殊エージェントSRA(Spatial Reasoning Agent)とTRA(Temporal Reasoning Agent)である。
人気のあるベンチマークの実験は、既存の弱教師付きおよびゼロショットアプローチをマージンで上回る提案手法の優位性を実証している。
論文 参考訳（メタデータ） (2026-02-10T10:16:27Z) - Experience-Driven Multi-Agent Systems Are Training-free Context-aware Earth Observers [27.817039954088315]
ツールレベルの専門知識を学習するための自己進化型マルチエージェントシステムである textbfGeoEvolver を紹介する。
GeoEvolverはエンドツーエンドのタスクの成功を継続的に改善し、複数のバックボーンで平均12%向上することを示す。
論文 参考訳（メタデータ） (2026-01-30T15:11:07Z) - Trajectory2Task: Training Robust Tool-Calling Agents with Synthesized Yet Verifiable Data for Complex User Intents [52.30603055218294]
Trajectory2Taskは,3つの現実的なユーザシナリオの下で大規模なツール使用を研究するための,検証可能なデータ生成パイプラインである。
有効なツールコールトラジェクトリを、制御されたインテント適応を伴うユーザ向けタスクに変換する。
我々は、生成された複雑なユーザシナリオタスクに対して、7つの最先端のLCMをベンチマークし、頻繁な障害を観察する。
論文 参考訳（メタデータ） (2026-01-28T00:36:13Z) - ET-Agent: Incentivizing Effective Tool-Integrated Reasoning Agent via Behavior Calibration [68.89572566071575]
ETAgentはエージェントのツール使用行動を調整するためのトレーニングフレームワークである。
過誤行動パターンを最適行動に段階的に校正するように設計されている。
論文 参考訳（メタデータ） (2026-01-11T11:05:26Z) - GEO-Bench-2: From Performance to Capability, Rethinking Evaluation in Geospatial AI [52.13138825802668]
GeoFMは地球観測を変革しているが、評価には標準化されたプロトコルが欠けている。
GEO-Bench-2は、分類、セグメンテーション、回帰、オブジェクト検出、インスタンスセグメンテーションにまたがる包括的なフレームワークでこの問題に対処する。
GEO-Bench-2のコード、データ、およびリーダーボードは、パーミッシブライセンスの下で公開されている。
論文 参考訳（メタデータ） (2025-11-19T17:45:02Z) - ThinkGeo: Evaluating Tool-Augmented Agents for Remote Sensing Tasks [64.86209459039313]
ThinkGeoは、構造化ツールの使用とマルチステップ計画を通じて、リモートセンシングタスクにおけるツール拡張エージェントを評価するために設計されたエージェントベンチマークである。
我々はReActスタイルの対話ループを実装し,486 個の構造化エージェントタスク上でのオープンソース LLM とクローズドソース LLM の両方を1,773 個の専門家が検証した推論ステップで評価する。
分析の結果、ツールの精度とモデル間の計画整合性に顕著な相違が明らかになった。
論文 参考訳（メタデータ） (2025-05-29T17:59:38Z) - An LLM Agent for Automatic Geospatial Data Analysis [5.842462214442362]
大規模言語モデル(LLM)は、データサイエンスコード生成タスクで使われている。
複雑なデータ構造と空間的制約を組み込むのが困難であるため,空間空間データ処理への応用は困難である。
ジオアジェント(GeoAgent)は,LLMが地理空間データ処理をより効率的に処理できるように設計された対話型フレームワークである。
論文 参考訳（メタデータ） (2024-10-24T14:47:25Z) - Efficient Continual Adaptation for Generative Adversarial Networks [97.20244383723853]
GAN(Generative Adversarial Network)に対する連続学習手法を提案する。
我々のアプローチは、グローバルパラメータとタスク固有のパラメータのセットを学習することに基づいている。
機能マップ変換に基づくアプローチは,最先端のgans手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-03-06T05:09:37Z)
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。