論文の概要: A Survey on Self-Improving Test-Time Intelligence: Feedback-Driven Adapting, Learning, and Scaling at Inference

• arxiv url: http://arxiv.org/abs/2609.01679v1
• Date: Tue, 01 Sep 2026 11:41:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:17.662915
• Title: A Survey on Self-Improving Test-Time Intelligence: Feedback-Driven Adapting, Learning, and Scaling at Inference
• Title（参考訳）: 自己改善テストタイムインテリジェンスに関する調査--フィードバック駆動型適応、学習、推論におけるスケーリング
• Abstract要約: このようなデプロイメント時間の改善を理解するための統一的な視点として,フィードバック駆動型テスト時間インテリジェンス(TTI)を提案する。 この視点は、テスト時適応、テスト時学習、テスト時スケーリングに関連するもので、ハイブリッドシステムにおけるそれらの相違点と相違点の両方を強調します。 私たちの目標は、テスト時に自己改善型AIシステムを研究するための、一貫性のある基礎と研究ロードマップを提供することです。
• 参考スコア（独自算出の注目度）: 72.19201465132619
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ability of AI systems to improve their behavior during deployment is becoming increasingly important. As inference moves beyond the static execution of a fixed trained model, a growing body of work studies how models can refine their behavior on the fly by exploiting test-time information and additional computation. These developments have largely evolved along two directions: methods that modify the model's state using test-time signals, and methods that improve predictions through extra inference-time resources such as more sampling and tool use. However, these directions are often studied in separate communities with different terminology, making their connections harder to see. In this survey, we present feedback-driven Test-Time Intelligence (TTI) as a unified perspective for understanding such deployment-time improvement. We use this view to relate test-time adaptation, test-time learning, and test-time scaling, highlighting both their distinctions and their growing overlap in hybrid systems. This unified framework helps connect previously fragmented ideas and provides a clearer conceptual foundation for studying inference-time self-improvement. We review major methodological paradigms, representative applications, and open challenges across vision, language, multimodal learning, generative models, robotics, and healthcare. Our goal is to provide a coherent foundation and research roadmap for the study of self-improving AI systems at test time.
• Abstract（参考訳）: AIシステムがデプロイメント中の振る舞いを改善する能力は、ますます重要になっています。 推論は、固定されたトレーニングされたモデルの静的実行を超えて、テスト時間情報と追加の計算を利用することで、モデルがオンザフライでどのように振舞いを洗練できるかを研究する。 これらの開発は、テスト時間信号を使ってモデルの状態を変更する方法と、サンプリングやツールの使用などの余分な推論時間リソースを通じて予測を改善する方法の2つの方向に沿って大きく進化してきた。 しかし、これらの方向はしばしば異なる用語を持つ異なるコミュニティで研究されており、それらの関係を見やすくしている。 本稿では,フィードバック駆動型テストタイムインテリジェンス(TTI)を,そのようなデプロイメント時間の改善を理解するための統一的な視点として提示する。 この視点は、テスト時適応、テスト時学習、テスト時スケーリングに関連するもので、ハイブリッドシステムにおけるそれらの相違点と相違点の両方を強調します。 この統合されたフレームワークは、以前断片化されたアイデアを結び付けるのに役立ち、推論時自己改善を研究するためのより明確な概念的基盤を提供する。 我々は、視覚、言語、マルチモーダル学習、生成モデル、ロボット工学、医療における主要な方法論パラダイム、代表的応用、オープン課題についてレビューする。 私たちの目標は、テスト時に自己改善型AIシステムを研究するための、一貫性のある基礎と研究ロードマップを提供することです。

関連論文リスト

• Test-Time Learning with an Evolving Library [76.87197412229318]
  EvoLibは、大規模な言語モデルによる知識の蓄積、再利用、進化を可能にする、テスト時の学習フレームワークである。 モデルパラメータを適用する代わりに、私たちのアプローチは知識抽象化の共有ライブラリを保持します。
  論文  参考訳（メタデータ） (2026-05-14T07:18:12Z)
• Decoding AI Tutor Effects for Educational Measurement: Temporal, Multi-Outcome, and Behavior-Cognitive Analysis [0.3342165620612816]
  本稿では、時間的相互作用パターン、複数結果分析、行動認知学習者プロファイルを用いたAI支援学習のためのAIエージェントプロトタイプフレームワークを提案する。 ヒント、説明、例、コードなど、さまざまなフィードバックフォームを学習者に提供すべく、AIチューターエージェントが開発された。 ニューラルネットワークモデルとシミュレーションフレームワークを使用して、応答時間、試行、ヒント要求、正確性、クイズ結果、改善、満足度、信頼を含む、人工的な学生とAI教師のインタラクションレコードを生成する。 その結果、初期のインタラクションパターンは、後のパフォーマンスと信頼の予測であり、学生の行動はAIベースの授業で時間とともに変化し、学生の行動は変化していることがわかった。
  論文  参考訳（メタデータ） (2026-03-22T00:43:17Z)
• TTSR: Test-Time Self-Reflection for Continual Reasoning Improvement [7.122068644799895]
  テストタイムトレーニングは、テスト質問のみを使用してモデル適応を可能にする。 自己回帰テスト時自己進化学習フレームワークである textbfTTSR を提案する。
  論文  参考訳（メタデータ） (2026-02-06T18:55:40Z)
• Using Large Language Models to Detect Socially Shared Regulation of Collaborative Learning [15.567266973412815]
  予測モデルを拡張し、埋め込み型アプローチを用いて、社会的に共有された学習行動の制御を自動的に検出する。 我々は,大規模言語モデル(LLM)を要約ツールとして活用し,システムログに整合した学生対話のタスク認識表現を生成する。 その結果, テキストのみの埋め込みは, 実行やグループダイナミクスに関連するSSRLの挙動の検出において, より強力な性能が得られることがわかった。
  論文  参考訳（メタデータ） (2026-01-08T00:30:46Z)
• A Survey on Generative Recommendation: Data, Model, and Tasks [55.36322811257545]
  ジェネレーティブ・レコメンデーションは、差別的なスコアではなく、世代としてのレコメンデーションを再認識する。 この調査は、データ、モデル、タスク次元にまたがる統合された三部構成のフレームワークを通じて包括的な調査を提供する。 世界知識の統合、自然言語理解、推論能力、スケーリング法則、創造的生成の5つの主要な利点を特定します。
  論文  参考訳（メタデータ） (2025-10-31T04:02:58Z)
• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [57.19302613163439]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• A Lost Opportunity for Vision-Language Models: A Comparative Study of Online Test-Time Adaptation for Vision-Language Models [3.0495235326282186]
  ディープラーニングでは、分散シフトに対する堅牢性を維持することが重要です。 この研究は、視覚言語基礎モデルをテスト時に適用するための幅広い可能性を探究する。
  論文  参考訳（メタデータ） (2024-05-23T18:27:07Z)
• Revisiting Self-supervised Learning of Speech Representation from a Mutual Information Perspective [68.20531518525273]
  我々は、情報理論の観点から、既存の自己教師型音声の手法を詳しく検討する。 我々は線形プローブを用いて、対象情報と学習された表現の間の相互情報を推定する。 我々は、ラベルを使わずに、データの異なる部分間の相互情報を見積もる自己教師型の表現を評価する可能性を探る。
  論文  参考訳（メタデータ） (2024-01-16T21:13:22Z)
• Accelerating exploration and representation learning with offline pre-training [52.6912479800592]
  1つのオフラインデータセットから2つの異なるモデルを別々に学習することで、探索と表現の学習を改善することができることを示す。 ノイズコントラスト推定と補助報酬モデルを用いて状態表現を学習することで、挑戦的なNetHackベンチマークのサンプル効率を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2023-03-31T18:03:30Z)
• Testing Deep Learning Models: A First Comparative Study of Multiple Testing Techniques [15.695048480513536]
  視覚ベースのシステム(VBS)は、自律運転、ロボット手術、重要なインフラ監視、航空および海上交通管制などに用いられる。 ディープラーニング(DL)は、自律運転、ロボット手術、重要なインフラ監視、空気および海洋交通制御などの重要な応用において、視覚ベースのシステム(VBS)の能力に革命をもたらした。
  論文  参考訳（メタデータ） (2022-02-24T15:05:19Z)

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。