論文の概要: SkillZip: Evaluation-Free Skill Compression for Self-Evolving Agents by Discovering Reusable Structure

• arxiv url: http://arxiv.org/abs/2608.11079v2
• Date: Sun, 16 Aug 2026 16:13:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 13:30:43.573819
• Title: SkillZip: Evaluation-Free Skill Compression for Self-Evolving Agents by Discovering Reusable Structure
• Title（参考訳）: SkillZip:再利用可能な構造の発見による自己進化型エージェントの評価自由スキル圧縮
• Abstract要約: 自己進化エージェントは、成功手順と失敗修正を追加することで、再利用可能なスキルを蓄積する。 素早い圧縮は、スキルが平らなパスではないため、この設定に不適である。 本稿では、最短の忠実な構造的説明を見出すことにより、スキルを圧縮する評価自由な手法であるSkillZipを提案する。
• 参考スコア（独自算出の注目度）: 13.304443478478134
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-evolving agents accumulate reusable skills by appending successful procedures and failure fixes. Over time, the same requirement is often restated in several branches, examples, and warnings, while common action sequences are copied rather than reused. The resulting skill becomes expensive to inject and difficult to maintain. Generic prompt compression is ill-suited to this setting because a skill is not a flat passage: its name and description define when it applies, its workflow controls execution, its tool and output contracts constrain validity, and rare exceptions may remain essential even when no sampled task activates them. Evaluation-guided compression can test these behaviors, but it introduces rollouts, cost, and dependence on the compression-time evaluation set. We present SkillZip, an evaluation-free method that compresses a skill by finding its shortest faithful structural explanation. The intuition is explain once, reference many: state a repeated rule once at the scope where it applies, factor a repeated action sequence into a shared procedure, and keep only the differences as explicit exceptions. We formalize this intuition as a typed minimum description-length objective over a skill contract and a residual, subject to a hard coverage constraint for every extracted trigger, workflow edge, tool requirement, obligation, and output field. The formulation provides simple sharing thresholds, preserves unique rare rules by construction, and supports efficient local updates. SkillZip has a one-shot mode with one structured extraction call and deterministic optimization, and a continual Zip-on-Write mode that integrates each self-evolution patch without replaying tasks or reparsing the full history. Through comprehensive experimental evaluations, we demonstrate the effectiveness and superiority of SkillZip in compression performance, generalizability, and cost overhead.
• Abstract（参考訳）: 自己進化エージェントは、成功手順と失敗修正を追加することで、再利用可能なスキルを蓄積する。 時間とともに、同じ要件をいくつかのブランチ、例、警告で再定義することが多いが、一般的なアクションシーケンスは再利用されるのではなくコピーされる。 結果として得られるスキルは、注入が高価になり、メンテナンスが困難になります。 スキルはフラットパスではないため、ジェネリックプロンプト圧縮は不適当である:その名前と記述は適用時に定義され、ワークフローは実行を制御し、ツールと出力の制約は妥当性を保ち、サンプルタスクが起動しない場合でも例外は必須である。 評価誘導圧縮はこれらの挙動をテストすることができるが、圧縮時間評価セットへのロールアウト、コスト、依存を導入する。 本稿では、最短の忠実な構造的説明を見出すことにより、スキルを圧縮する評価自由な手法であるSkillZipを提案する。 この直観は一度説明され、多くの参照として、適用範囲で一度繰り返しルールをステートし、繰り返しのアクションシーケンスを共有プロシージャに分解し、差分のみを明示的な例外として保持する。 我々は,この直観を,抽出されたトリガ,ワークフローエッジ,ツール要件,義務,出力フィールドに対するハードカバレッジ制約の対象として,スキルコントラクトと残余に対するタイプ付き最小記述長の目的として定式化する。 この定式化は単純な共有しきい値を提供し、構築によってユニークなレアルールを保持し、効率的なローカル更新をサポートする。 SkillZipは1つの構造化された抽出呼び出しと決定論的最適化を備えたワンショットモードと、タスクをリプレイしたり全履歴をリペアしたりすることなく、各自己進化パッチを統合する連続的なZip-on-Writeモードを備えている。 総合的な実験評価を通じて、圧縮性能、一般化可能性、コストオーバーヘッドにおけるSkillZipの有効性と優位性を示す。

関連論文リスト

• SkillZip: Contract-Preserving Graph Compression for Scalable Agent Skill Libraries [23.125090024964674]
  大規模言語モデル(LLM)は、手続き的知識が再利用可能なスキルパッケージに格納され、推論時にロードされるエージェントとしてますます機能する。 既存のシステムは、全体的なスキルレベル以下でのルーチンの再利用に苦労し、圧縮中の手続き的契約を維持し、圧縮されたルーチンを実行可能かつ拡張可能にし、スキルが進化するにつれて圧縮されたライブラリを更新する。 本稿では,SkillZipを提案する。SkillZipは,部分レベルグラフ上でコントラクト保存圧縮を行う,実行対応プロシージャ抽象化フレームワークである。
  論文  参考訳（メタデータ） (2026-08-06T05:03:31Z)
• Diagnosing Compositional Generalization in Sequential Robot Tasks [47.24821158025177]
  本稿では,命令空間被覆のレンズによる構成一般化について検討する。 一般化ギャップを3つの情報源に分解する: テクティットマージナル・インストラクション・シフト, テクティットインストラクション・コンストラクション・シフト, テクティットコンストラクション・アクション・シフト
  論文  参考訳（メタデータ） (2026-07-31T17:59:59Z)
• Skill-CMIB: Multimodal Agent Skill for Consistent Action via Conditional Multimodal Information Bottleneck [60.930825621351794]
  マルチモーダルスキル構築のための条件付きマルチモーダル情報ボトルネック(CMIB)を提案する。 単純な2ストリームの定式化とは異なり、CMIBはテキストスキルにマルチモーダルラテントを明示的に条件付け、したがってクロスモーダルの冗長性を構造的に低減する。 CMIBの条件分解を最適化し、再利用可能なマルチモーダルスキルを得られるようにした変動目的のインスタンスを作成する。
  論文  参考訳（メタデータ） (2026-05-08T22:17:54Z)
• Explicit Dropout: Deterministic Regularization for Transformer Architectures [55.09895958546215]
  ドロップアウトはディープラーニングにおいて広く使われている正規化手法であるが、その効果は一般的にマスキングによって実現される。 トレーニング損失に直接組み込まれた加算正則化器としてドロップアウトを表現する決定論的定式化を提案する。
  論文  参考訳（メタデータ） (2026-04-22T12:45:51Z)
• One-Prompt Strikes Back: Sparse Mixture of Experts for Prompt-based Continual Learning [52.966712416640085]
  本稿では,タスク固有戦略と共有プロンプト戦略の両方の利点を統合する新しいフレームワークであるSMoPEを提案する。 SMoPEはタスク固有のプロンプトメソッドを一貫して上回り、最先端のアプローチと競合する性能を達成する。
  論文  参考訳（メタデータ） (2025-09-29T08:54:58Z)
• EXIT: Context-Aware Extractive Compression for Enhancing Retrieval-Augmented Generation [8.757777529568383]
  現在のRAGシステムは、検索モデルが最も関連性の高い文書のランク付けに失敗したときにしばしば苦労する。 抽出文脈圧縮フレームワークEXITを紹介する。 評価の結果,EXITは既存の圧縮手法を一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-12-17T05:38:27Z)
• Once-for-All Sequence Compression for Self-Supervised Speech Models [62.60723685118747]
  自己教師型音声モデルのための一括圧縮フレームワークを提案する。 このフレームワークは様々なタスクで評価され、固定圧縮率の変種と比較して限界劣化を示す。 また、適応圧縮率学習についても検討し、グリッド探索を必要とせず、タスク固有の好ましいフレーム期間を選択する能力を示す。
  論文  参考訳（メタデータ） (2022-11-04T09:19:13Z)

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。