論文の概要: RingMoClaw: An Experience-Inspired Multi-Agent Framework for Self-Evolving Research in Remote Sensing

• arxiv url: http://arxiv.org/abs/2609.00814v1
• Date: Tue, 01 Sep 2026 07:13:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.428292
• Title: RingMoClaw: An Experience-Inspired Multi-Agent Framework for Self-Evolving Research in Remote Sensing
• Title（参考訳）: RingMoClaw: リモートセンシングにおける自己進化研究のための体験型マルチエージェントフレームワーク
• Authors: Kaiyue Kang, Qixuan He, Peijin Wang, Yingchao Feng, Chao Ren, Kangxin Wang, Wenhui Diao, Yixiao Wang, Liangjin Zhao, Kaiwen Wei, Nayu Liu, Xian Sun,
• Abstract要約: RingMoClawは、リモートセンシング視覚解釈のためのエクスペリエンスインスパイアされたマルチエージェントフレームワークである。 クローズドループ最適化プロセスを確立するために、研究ブランチ、品質制御ブランチ、デュアルストリームダイナミックエクスペリエンスバスを統合する。 オブジェクト検出では1.84% mAP$_50$でパフォーマンスが向上し、他の3つのタスクで一貫したゲインを実現している。
• 参考スコア（独自算出の注目度）: 27.92460021935724
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Remote sensing visual models have continuously advanced various interpretation tasks. However, the research process behind model improvement still heavily relies on manual expertise, requiring extensive trial-and-error iterations in model design, data processing, and performance diagnosis. Existing agent-based approaches mainly focus on task execution and workflow orchestration, while lacking the capability of autonomous research iteration for continuous performance optimization. To address this issue, we propose RingMoClaw, an experience-inspired self-evolving multi-agent framework for remote sensing visual interpretation. RingMoClaw integrates a research branch, a quality-control branch, and a dual-stream dynamic experience bus to establish a closed-loop optimization process covering strategy generation, experiment execution, independent review, and experience accumulation. The heterogeneous Critic mechanism provides stage-wise diagnosis and feedback, while the dual-stream experience bus incorporates external knowledge and internal experimental experience to guide strategy evolution and eliminate ineffective searches. Extensive experiments on four remote sensing downstream tasks, including object detection, scene classification, semantic segmentation, and change detection, demonstrate the effectiveness and generalization of RingMoClaw. Compared with the corresponding baseline models, RingMoClaw improves performance by 1.84\% mAP$_{50}$ on object detection and achieves consistent gains across the other three tasks, while reducing the required evolution steps by over 40\% compared with existing research automation frameworks. These results suggest that RingMoClaw offers a feasible route from task execution toward continuous research driven model evolution in remote sensing.
• Abstract（参考訳）: リモートセンシングビジュアルモデルは、様々な解釈タスクを継続的に進歩させてきた。 しかし、モデル改善の裏にある研究プロセスは手作業の専門知識に大きく依存しており、モデル設計、データ処理、パフォーマンス診断において大規模な試行錯誤を必要とする。 既存のエージェントベースのアプローチは主にタスクの実行とワークフローのオーケストレーションに重点を置いているが、継続的パフォーマンス最適化のための自律的な研究イテレーションの能力は欠如している。 そこで,本稿では,リモートセンシングによる視覚的解釈のための自己進化型マルチエージェントフレームワークであるRingMoClawを提案する。 RingMoClawは、研究ブランチ、品質制御ブランチ、デュアルストリーム動的エクスペリエンスバスを統合し、戦略生成、実験実行、独立レビュー、経験蓄積をカバーするクローズドループ最適化プロセスを確立する。 異種批判機構は段階的診断とフィードバックを提供する一方、二重ストリーム体験バスは外部知識と内部実験経験を取り入れて、戦略の進化をガイドし、非効率な探索を排除している。 オブジェクト検出、シーン分類、セマンティックセグメンテーション、変更検出を含む4つのリモートセンシング下流タスクに関する大規模な実験は、RingMoClawの有効性と一般化を実証している。 対応するベースラインモデルと比較して、RingMoClawはオブジェクト検出におけるパフォーマンスを1.84 % mAP$_{50}$改善し、他の3つのタスクで一貫したゲインを達成すると同時に、既存の研究自動化フレームワークと比較して、必要な進化ステップを40 %以上削減する。 これらの結果から,RingMoClawはタスク実行からリモートセンシングにおける連続的な研究駆動モデル進化への実現可能な経路であることが示唆された。

関連論文リスト

• An Experimental Design Approach to Evaluating Agentic AI's Autonomous Model Discovery [4.502708670326481]
  大規模言語モデル符号化エージェントは、ますますオープンなデータモデリングと分析を行うようになっている。 この発見過程を評価するための実験的な設計・分析フレームワークを提案する。 本研究は, 推理効果の優位な方向を特徴付けるために, 実用性に整合した正準分解法を開発した。
  論文  参考訳（メタデータ） (2026-07-07T15:43:22Z)
• MetaResearcher: Scaling Deep Research via Self-Reflective Reinforcement Learning in Adversarial Virtual Environments [15.961083103517872]
  本研究では,4つの相乗的次元にまたがるディープリサーチエージェントトレーニングをスケールする新しいフレームワークを提案する。 まず,時間的ダイナミクスと逆方向の誤報を学習環境に注入するEvolving Virtual Worldを導入する。 第2に、単純な事実検索を超越した発見指向タスクを設計し、真の研究行動に向けてエージェントをプッシュする。 第3に,回答の正しさ,探索経路の効率,反射深度,ツールコールの多様性を共同で最適化する自己回帰メタリワード機構を提案する。
  論文  参考訳（メタデータ） (2026-06-18T07:50:40Z)
• SERM: Self-Evolving Relevance Model with Agent-Driven Learning from Massive Query Streams [53.78257200138774]
  本稿では,2つの相補的マルチエージェントモジュールからなる自己進化関連モデル(SERM)を提案する。 我々はSERMを大規模産業環境で評価し、毎日数十億のユーザリクエストを処理している。
  論文  参考訳（メタデータ） (2026-01-14T14:31:16Z)
• KAT-V1: Kwai-AutoThink Technical Report [50.84483585850113]
  Kwaipilot-AutoThink (KAT) はオープンソースの40B大言語モデルであり、推論集約タスクにおける過大な問題に対処するために開発された。 KATはタスクの複雑さに基づいて推論モードと非推論モードを動的に切り替える。 また、GRPOフレームワークに中間管理を組み込んだ強化学習アルゴリズムであるStep-SRPOを提案する。
  論文  参考訳（メタデータ） (2025-07-11T04:07:10Z)
• MLE-Dojo: Interactive Environments for Empowering LLM Agents in Machine Learning Engineering [57.156093929365255]
  自律型大規模言語モデル(LLM)エージェントを体系的に強化し、評価し、改善するためのガイムスタイルのフレームワーク。 MLE-Dojoは、現実的なエンジニアリングシナリオを反映した、多様でオープンなMLEタスクを慎重にキュレートする。 完全に実行可能な環境は、教師付き微調整と強化学習の両方を通して包括的なエージェントトレーニングをサポートする。
  論文  参考訳（メタデータ） (2025-05-12T17:35:43Z)
• Progressive Multimodal Reasoning via Active Retrieval [64.74746997923967]
  多段階多モーダル推論タスクは、大規模言語モデル(MLLM)に重大な課題をもたらす 本稿では,MLLMの推論能力の向上を目的とした汎用フレームワークAR-MCTSを提案する。 我々は,AR-MCTSがサンプリングの多様性と精度を最適化し,信頼性の高いマルチモーダル推論を実現することを示す。
  論文  参考訳（メタデータ） (2024-12-19T13:25:39Z)
• Automating Traffic Model Enhancement with AI Research Agent [4.420199777075044]
  TR-Agentは、交通モデルを自律的に開発、洗練するAI駆動のフレームワークである。 我々は,研究パイプラインを,アイデア生成,理論定式化,理論評価,反復最適化の4つの重要な段階に構成する。 反復的なフィードバックと改善により、TR-Agentはモデリング効率と効率の両方を改善している。
  論文  参考訳（メタデータ） (2024-09-25T12:42:25Z)
• SeMAIL: Eliminating Distractors in Visual Imitation via Separated Models [22.472167814814448]
  本稿では,SeMAIL(Separated Model-based Adversarial Imitation Learning)というモデルベース模倣学習アルゴリズムを提案する。 本手法は, 様々な視覚的制御タスクにおいて, 複雑な観察と, 専門的な観察から異なる背景を持つより困難なタスクにおいて, ほぼ専門的な性能を実現する。
  論文  参考訳（メタデータ） (2023-06-19T04:33:44Z)
• Multitask Adaptation by Retrospective Exploration with Learned World Models [77.34726150561087]
  本稿では,タスク非依存ストレージから取得したMBRLエージェントのトレーニングサンプルを提供するRAMaというメタ学習型アドレッシングモデルを提案する。 このモデルは、期待されるエージェントのパフォーマンスを最大化するために、ストレージから事前のタスクを解く有望な軌道を選択することで訓練される。
  論文  参考訳（メタデータ） (2021-10-25T20:02:57Z)

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。