論文の概要: Dynamic Context Scheduling: Learning Beyond the Static Universe

• arxiv url: http://arxiv.org/abs/2608.20799v1
• Date: Fri, 21 Aug 2026 07:17:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.432374
• Title: Dynamic Context Scheduling: Learning Beyond the Static Universe
• Title（参考訳）: 動的コンテキストスケジューリング - 静的宇宙を超えた学習
• Abstract要約: 本研究では,文脈再強化学習のトレーニング手段として,動的文脈スケジューリングについて検討する。 DYNAMICCARLENVは、プラグイン可能なスケジュールファミリでコンテキスト環境をラップするフレームワークである。 予備的な知見は,多段階キュリキュラの自動探索が,一般化を改善するスケジュールの発見に成功していることを示している。
• 参考スコア（独自算出の注目度）: 3.5178680418107464
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study dynamic context scheduling as a training instrument for contextual re- inforcement learning. Rather than treating intra-episode context variation as a deployment reality, we treat it as a controlled shaping mechanism. Thereby, context evolves within each training episode according to a predetermined schedule, expos- ing the policy to a richer and more temporally structured region of the environment parameter space. We introduce DYNAMICCARLENV, a framework that wraps contextual environments with pluggable schedule families, such as sinusoidal off- sets or cosine annealing. Across CartPole, BipedalWalker and VehicleRacing with CARL contextualization, we show that dynamic schedules match or outperform static context baselines in the out-of-distribution (OOD) regimes. Interestingly, for the more complex BipedalWalker and VehicleRacing environments we also achieve higher in-distribution (ID) evaluation performance. Preliminary findings indicate that automatic search for multi-stage curricula can successfully discover schedules that improve generalization, performing comparably to extensive grid search over single-stage schedulers.
• Abstract（参考訳）: 本研究では,文脈再強化学習のトレーニング手段として,動的文脈スケジューリングについて検討する。 エピソード内コンテキストの変動をデプロイの現実として扱うのではなく、制御されたシェーピング機構として扱う。 これにより、所定のスケジュールに従って各トレーニングエピソード内でコンテキストが進化し、環境パラメータ空間のより豊かで時間的に構造化された領域にポリシーを公開する。 DYNAMICCARLENVは,正弦波オフセットやコサインアニールなど,プラグイン可能なスケジュールファミリでコンテキスト環境をラップするフレームワークである。 CartPole, BipedalWalker, VehicleRacing with CARL contextualization, we show that dynamic schedules match or outperform static context baselines in the out-of-distriion (OOD) regimes。 興味深いことに、より複雑なBipedalWalkerとVabyRacing環境では、より高いID(In-distriion)評価性能を実現しています。 予備的な知見は,多段階のキュリキュラの自動探索が,一段階のスケジューラを網羅する網羅探索と相容れないように,一般化を改善するスケジュールの発見に成功していることを示している。

関連論文リスト

• EnvACE: Internalizing Environment Dynamics via World Rehearsal for Agentic Reinforcement Learning [57.312638079204255]
  長期ツール使用のための大規模言語モデルエージェントの訓練は、通常、実または合成可能な環境との相互作用に依存する。 本研究では,世界リハーサルのトレーニング中に外部環境の相互作用を置き換えるエージェント強化学習手法であるEnvACEを紹介する。
  論文  参考訳（メタデータ） (2026-08-06T15:54:36Z)
• REACT: Environment-Adaptive Architecture for Continuous Formation Navigation of Wheeled Mobile Robots [21.3981924226061]
  本稿では,集中型生成と分散型生成管理を統合した階層型アーキテクチャREACTを提案する。 特に上層層は必要に応じて新しい環境適応型構造を生成する。 下層では、各WMRがJSTP法(Joint trajectory trajectory Planning)を実行し、生成した生成物を維持する。
  論文  参考訳（メタデータ） (2026-05-18T14:11:31Z)
• Cross-Sample Relational Fusion: Unifying Domain Generalization and Class-Incremental Learning [83.67663266193308]
  CIL(Class-Incremental Learning)は、学習システムにおいて、それまでの知識を維持しつつ、新しいクラスを学ぶことを必要とする。 自動運転車のような現実のシナリオでは、晴れた日に都市部の道路で訓練されたシステムは、後に農村部や高速道路環境で運用する必要がある。 ドメインシフトと破滅的な忘れを同時に解決する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-09T09:49:13Z)
• Path Planning through Multi-Agent Reinforcement Learning in Dynamic Environments [2.116865312302264]
  動的環境における経路計画のための拡張性のある地域対応強化学習フレームワークを提案する。 本手法は, 環境変化は動的ではあるが, しばしば境界領域内で局所化されるという観察に基づいている。
  論文  参考訳（メタデータ） (2025-11-19T09:48:44Z)
• Scalable In-Context Q-Learning [68.9917436397079]
  textbfScalable textbfIn-textbfContext textbfQ-textbfLearning (textbfSICQL)を提案する。 textbfSICQLは動的プログラミングとワールドモデリングを利用して、ICRLを効率的な報酬とタスクの一般化に向けて制御する。
  論文  参考訳（メタデータ） (2025-06-02T04:21:56Z)
• State Regularized Policy Optimization on Data with Dynamics Shift [25.412472472457324]
  多くの実世界のシナリオでは、強化学習(RL)アルゴリズムは、動的シフトを持つデータ、すなわち、異なる環境ダイナミクスを持つデータに基づいて訓練される。 本稿では, 同様の構造と動的に異なる多くの環境において, 最適ポリシが定常状態分布と類似していることを見出した。 このような分布は、新しい環境で訓練されたポリシーを規則化するために使用され、SRPO(textbfS textbfRegularized textbfPolicy textbfOptimization)アルゴリズムにつながる。
  論文  参考訳（メタデータ） (2023-06-06T10:06:09Z)
• Self-Supervised Representation Learning from Temporal Ordering of Automated Driving Sequences [49.91741677556553]
  本研究では、認識タスクのための地域レベルの特徴表現を事前学習するための時間順述前文タスクであるTempOを提案する。 我々は各フレームを、オブジェクト検出やトラッキングシステムにとって自然な表現である、未順序な特徴ベクトルのセットで埋め込む。 BDD100K、nu Images、MOT17データセットの大規模な評価は、私たちのTempO事前学習アプローチがシングルフレームの自己教師型学習方法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-02-17T18:18:27Z)
• An Adaptive Deep RL Method for Non-Stationary Environments with Piecewise Stable Context [109.49663559151377]
  未知の環境コンテキストへの適応に関する既存の作業は、コンテキストが全エピソードで同じであると仮定するか、コンテキスト変数がマルコフ的であると仮定するかのどちらかである。 本稿では,textittextbfSegmented textbfContext textbfBelief textbfAugmented textbfDeep(SeCBAD) RL法を提案する。 提案手法は,潜在コンテキスト上の信念分布と後方セグメント長とを共同で推定し,観測データを用いたより正確な信念コンテキスト推定を行う。
  論文  参考訳（メタデータ） (2022-12-24T13:43:39Z)
• Dynamics-Adaptive Continual Reinforcement Learning via Progressive Contextualization [29.61829620717385]
  動的環境におけるCRL(Continuous reinforcement Learning)の鍵となる課題は、環境が生涯にわたって変化するにつれて、RLエージェントの挙動を迅速に適応させることである。 DaCoRLは、進行的文脈化を用いた文脈条件付きポリシーを学習する。 DaCoRLは、安定性、全体的な性能、一般化能力の観点から、既存の方法よりも一貫した優位性を特徴としている。
  論文  参考訳（メタデータ） (2022-09-01T10:26:58Z)
• Progressively Guide to Attend: An Iterative Alignment Framework for Temporal Sentence Grounding [53.377028000325424]
  時間的文接地作業のための反復アライメントネットワーク(IA-Net)を提案する。 学習可能なパラメータを持つマルチモーダル特徴をパットすることで、非整合フレームワードペアの非整合問題を軽減する。 また、アライメントの知識を洗練させるために、各アライメントモジュールに従ってキャリブレーションモジュールを考案する。
  論文  参考訳（メタデータ） (2021-09-14T02:08:23Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• Planning on the fast lane: Learning to interact using attention mechanisms in path integral inverse reinforcement learning [20.435909887810165]
  自動走行のための汎用軌道計画アルゴリズムは複雑な報酬関数を利用する。 深層学習アプローチは局所的な状況依存報酬関数の予測に成功している。 低次元の文脈ベクトルを生成するためにポリシーアテンション機構を用いるニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-07-11T15:25:44Z)

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。