Fugu-MT 論文翻訳(概要): Active Curriculum Refinement for Reinforcement Learning

論文の概要: Active Curriculum Refinement for Reinforcement Learning

arxiv url: http://arxiv.org/abs/2608.26469v1
Date: Wed, 26 Aug 2026 23:52:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-28 16:30:58.20129
Title: Active Curriculum Refinement for Reinforcement Learning
Title（参考訳）: 強化学習のためのアクティブカリキュラムリファインメント
Abstract要約: PATHはカリキュラム学習フレームワークであり、カリキュラムグラフ上でアクティブな学習を行う。 PATHはまず、多様なカリキュラムパスをサンプリングしてカバー範囲を広げ、その後、未熟な領域へのトレーニングを再配置する。
参考スコア（独自算出の注目度）: 13.591678342611964
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In many reinforcement learning (RL) domains, environments are connected by prerequisite relations, such as difficulty-increasing edits or parameter increments, which induce a directed acyclic curriculum graph (DAG). Although this structure is often exploited only implicitly, explicitly modeling it can improve training. We introduce PATH, a curriculum-learning framework that performs active learning over the curriculum graph. PATH first expands coverage by sampling diverse curriculum paths and then reallocates training toward regions that remain unmastered. Experiments across diverse environments show that PATH explicitly leverages the graph structure to achieve strong robustness and generalization.
Abstract（参考訳）: 多くの強化学習(RL)領域では、環境は不規則な編集やパラメータの増分などの前提条件によって接続され、これは有向非巡回循環グラフ(DAG)を誘導する。この構造は暗黙的にのみ利用されることが多いが、明示的にモデリングすることでトレーニングを改善することができる。本稿では,カリキュラムグラフ上で能動的学習を行うカリキュラム学習フレームワークPATHを紹介する。 PATHはまず、多様なカリキュラムパスをサンプリングしてカバー範囲を広げ、その後、未熟な領域へのトレーニングを再配置する。多様な環境における実験により、PATHはグラフ構造を明示的に活用し、強い堅牢性と一般化を達成することが示されている。

関連論文リスト

Find, Fix, Reason: Context Repair for Video Reasoning [45.021693494492666]
強化学習は、大規模なマルチモーダルモデルにおいて高度なビデオ推論を持つ。凍結したツール統合された教師は、時間的依存の欠如を認識し、最小限のエビデンスパッチを提供する。本稿では,正解による結果の妥当性と依存性の整合性という2つの目標に最適化を整合させるロバスト改善リワード(RIR)を提案する。
論文参考訳（メタデータ） (2026-04-17T17:04:19Z)
Large Language Model Post-Training: A Unified View of Off-Policy and On-Policy Learning [37.29007534251622]
ポストトレーニングは、事前訓練された大きな言語モデルを整列し、機能し、デプロイ可能なシステムに変える中心となった。最近の進歩は、教師付き微調整(SFT)、選好最適化、強化学習(RL)、プロセス監督、検証者誘導法、蒸留、多段パイプラインに及んでいる。この調査では、LLMのポストトレーニングはモデル行動に対する構造化された介入として最もよく理解されている。
論文参考訳（メタデータ） (2026-04-09T08:00:37Z)
GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。 textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
論文参考訳（メタデータ） (2025-10-06T08:09:15Z)
Graph-level Protein Representation Learning by Structure Knowledge Refinement [50.775264276189695]
本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という新しいフレームワークを提案する。
論文参考訳（メタデータ） (2024-01-05T09:05:33Z)
PRODIGY: Enabling In-context Learning Over Graphs [112.19056551153454]
コンテキスト内学習(In-context learning)とは、事前訓練されたモデルが、新しい多様な下流タスクに適応する能力である。 ProDIGYは,グラフ上でのコンテキスト内学習を可能にする最初の事前学習フレームワークである。
論文参考訳（メタデータ） (2023-05-21T23:16:30Z)
Reinforced Continual Learning for Graphs [18.64268861430314]
本稿では,アーキテクチャベースとメモリベースのアプローチを組み合わせたグラフ連続学習戦略を提案する。タスク・インクリメンタル・ラーニングとクラス・インクリメンタル・ラーニング・セッティングの両方において,いくつかのグラフ連続学習ベンチマーク問題を用いて数値検証を行った。
論文参考訳（メタデータ） (2022-09-04T07:49:59Z)
Unified Instance and Knowledge Alignment Pretraining for Aspect-based Sentiment Analysis [96.53859361560505]
Aspect-based Sentiment Analysis (ABSA) は、ある側面に対する感情の極性を決定することを目的としている。事前トレーニングと下流ABSAデータセットの間には、常に深刻なドメインシフトが存在する。我々は,バニラ・プレトレイン・ファインチューンパイプラインにアライメント事前訓練フレームワークを導入する。
論文参考訳（メタデータ） (2021-10-26T04:03:45Z)
Improving Self-supervised Learning with Hardness-aware Dynamic Curriculum Learning: An Application to Digital Pathology [2.2742357407157847]
自己教師付き学習(SSL)は、最近、多くの画像解析タスクに有用な汎用的な視覚表現を学習する大きな可能性を示している。既存のSSLメソッドは、ラベル付きトレーニングインスタンスの数が少ない場合や、転送ドメイン間のドメインシフトが重要である場合、ダウンストリームタスクに一般化できない。本稿では,カリキュラム学習のレンズを用いて,自己指導型事前学習表現の改善を試みる。
論文参考訳（メタデータ） (2021-08-16T15:44:48Z)
Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文参考訳（メタデータ） (2021-03-25T09:31:41Z)
Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文参考訳（メタデータ） (2020-03-15T02:33:21Z)
Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs [96.73259297063619]
我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
論文参考訳（メタデータ） (2020-01-08T01:19:08Z)

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。