論文の概要: EnvHarness: Awakening Static Worlds for Agent Learning

• arxiv url: http://arxiv.org/abs/2608.19880v1
• Date: Thu, 20 Aug 2026 10:42:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.53242
• Title: EnvHarness: Awakening Static Worlds for Agent Learning
• Title（参考訳）: EnvHarness:エージェント学習のための静的世界
• Abstract要約: Environment Harnessは静的な環境をラップして、基礎となるロジックを変更することなく振る舞いを再構築する。 EnvHarnessは様々な領域にまたがって適用され、すべての再形環境が元の検証元を保持する。 EnvRiggerはターゲットポリシーをブラックボックスとして扱い、その実行軌跡を観察して、診断された欠陥をターゲットとしたEnvHarnessコンポーネントを合成する。
• 参考スコア（独自算出の注目度）: 58.54600450547412
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM agents learn by interacting with environments, yet these environments are hand-built and static: blind to an agent's weaknesses, and quickly left behind as it improves. While recent environment generation methods attempt to address this, they require domain-specific pipelines, rely on expensive or unreliable verifiers, and still produce static environments. To alleviate the engineering burden of rebuilding environments from scratch, we propose Environment Harness (EnvHarness), a programmable layer of plug-in components that wraps a static environment to reshape its behavior without modifying the underlying logic. Operating through standard interfaces, EnvHarness applies across diverse domains while ensuring every reshaped environment retains its original verifier. To automate this process, we introduce EnvRigger, which treats the target policy as a black box, observing its execution trajectories to synthesize EnvHarness components targeting diagnosed flaws, and validating them via fresh rollouts. Across five benchmarks in four domains, EnvHarness outperforms both original environments and domain-specific environment generation pipelines, achieving up to a 9.0-point improvement on held-out instances with 9.8% fewer execution steps. Furthermore, EnvHarness provides a superior optimization signal for reinforcement learning, enabling continuous, targeted co-evolution of the policy and its environment.
• Abstract（参考訳）: LLMエージェントは環境と対話することで学習するが、これらの環境は手作りで静的である。 最近の環境生成手法ではこの問題に対処しようとするが、ドメイン固有のパイプラインが必要であり、高価な検証や信頼性の低い検証に頼り、静的な環境を生成する。 環境をスクラッチから再構築する際の工学的負担を軽減するため,静的な環境を包むプログラム可能なプラグインコンポーネント層であるEnvHarness(EnvHarness)を提案する。 EnvHarnessは標準インターフェイスを介して動作し、さまざまなドメインにまたがって適用すると同時に、すべての再フォーマット環境が元のバリデーションを確実に保持する。 このプロセスを自動化するために、ターゲットポリシーをブラックボックスとして扱い、その実行軌跡を観察して、診断された欠陥をターゲットとしたEnvHarnessコンポーネントを合成し、新鮮なロールアウトによって検証するEnvRiggerを導入する。 4つのドメインの5つのベンチマークで、EnvHarnessは元の環境とドメイン固有の環境生成パイプラインの両方を上回り、9.8%少ない実行ステップでホールドアウトインスタンスで最大9.0ポイントの改善を実現している。 さらに、EnvHarnessは強化学習のための優れた最適化信号を提供し、ポリシーとその環境の継続的な目標共進化を可能にする。

関連論文リスト

• SPADE: Self-Play in Adaptive Synthetic Executable Environments [110.80471334001574]
  1つのLLMが2つの役割を演じるセルフプレイのRLフレームワークであるSPADEを紹介する。 Environment Designerは、OpenAI Gymスタイルのreset()/step()インターフェイスで実行可能なコードとして、完全な長距離トレーニング環境を記述する。 環境デザイナは,大規模な事前学習コーパスから採取した文書に基づいて構築し,蓄積した環境記憶を与える。
  論文  参考訳（メタデータ） (2026-08-19T17:58:56Z)
• OpenART: Scaling Agent Red Teaming via Open-Ended Environment Evolution [71.06848799741152]
  AIエージェントは、初期状態の変化が将来的な決定に影響を与える可能性のある永続的な環境で動作する。 現在の安全ベンチマークは、短い静的タスクにフォーカスするため、累積的なリスクを捕捉できないことが多い。 環境の進化を通じて、スケーラブルなエージェントレッドチームのためのオープンなアリーナであるOpenARTを紹介します。
  論文  参考訳（メタデータ） (2026-08-01T13:51:55Z)
• EnvSimBench: A Benchmark for Evaluating and Improving LLM-Based Environment Simulation [16.36266898493489]
  有望な方向性は、手作業で作り上げた環境を LLM でシミュレートした環境に置き換えることである。 LLMは環境フィードバックを正確にシミュレートすることができます。 実際には、LLMシミュレーション環境は幻覚、論理的不整合、サイレントステートドリフト障害に悩まされている。
  論文  参考訳（メタデータ） (2026-05-08T05:08:16Z)
• Computer Use at the Edge of the Statistical Precipice [19.604476051265852]
  記録されたアクションシーケンスを盲目的に実行した1MBのリプレイスクリプトは、顕著な静的ベンチマークにおいてフロンティアモデルよりも優れていることを示す。 非原則的環境設計と非原則的評価手法の2つの根本原因を追究する。
  論文  参考訳（メタデータ） (2026-05-07T22:43:43Z)
• Robust Cross-Domain WiFi Fall Detection via Physics-Driven Attention-Enhanced Transformers [64.35403680946182]
  WiFiチャンネル状態情報(CSI)を利用したデバイスフリーの転倒検出が,高齢者の健康モニタリングのための有望なソリューションとして浮上している。 既存のディープラーニングアプローチでは、目に見えない環境にデプロイされた場合、パフォーマンスが大幅に低下する。 本稿では,新しいCNN-Transformerハイブリッドアーキテクチャを特徴とする,堅牢で汎用的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-23T03:28:12Z)
• Autonomous Continual Learning of Computer-Use Agents for Environment Adaptation [57.65688895630163]
  ACuRLは自律的なカリキュラム強化学習フレームワークで、エージェントを人間データゼロの特定の環境に継続的に適応させる。 本研究では,環境内学習と環境横断学習の両方を効果的に実現し,既存の環境を忘れずに4～22%の性能向上を実現した。
  論文  参考訳（メタデータ） (2026-02-10T23:06:02Z)
• Towards Adaptive Environment Generation for Training Embodied Agents [6.22572530511425]
  身体的なエージェントは、新しい環境に一般化するのに苦労します。 これらのトレーニング環境を生成するための現在のアプローチは、オープンループのパラダイムに従っている。 エージェントの現在の能力に難易度を適応させるクローズドループ環境生成のための概念実証を行う。
  論文  参考訳（メタデータ） (2026-02-06T03:50:46Z)
• EnvGuard: Guaranteeing Environment-Centric Safety and Security Properties in Web of Things [5.523305571662793]
  Web of Things(WoT)技術は、様々なWoTアプリケーションが環境を自動的に感知し、規制することを可能にする。 違反識別に関する既存の研究は、主に自動化されたアプリケーションの分析に焦点を当てている。 我々は、WoT環境におけるプロパティのカスタマイズ、違反識別、解決実行のための環境中心のアプローチであるEnvGuardを紹介する。
  論文  参考訳（メタデータ） (2023-12-06T09:15:52Z)
• Emergent Complexity and Zero-shot Transfer via Unsupervised Environment Design [121.73425076217471]
  本研究では,未知のパラメータを持つ環境を提供するUnsupervised Environment Design (UED)を提案する。 プロタゴニスト・アンタゴニストによるレグレト環境デザイン(PAIRED)と呼ぶ。 実験により, PAIREDは複雑な環境の自然なカリキュラムを生産し, PAIREDエージェントは, 高度に新規な環境での試験において, 高いゼロショット転送性能が得られることを示した。
  論文  参考訳（メタデータ） (2020-12-03T17:37:01Z)

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。