論文の概要: SE-GoS: Self-Evolving Graph-of-Skills for Skill Library at Scale
- arxiv url: http://arxiv.org/abs/2609.08228v1
- Date: Tue, 08 Sep 2026 04:20:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.575142
- Title: SE-GoS: Self-Evolving Graph-of-Skills for Skill Library at Scale
- Title（参考訳）: SE-GoS: スケールでのスキルライブラリのための自己進化型グラフ
- Abstract要約: 我々は,既存のGoSグラフを実行トレースから進化させるトレーニングフリーフレームワークであるSelf-Evolving Graph-of-Skills(SE-GoS)を提案する。
本稿では,SE-GoSがタスク報酬を継続的に改善し,入力トークンをフルスキルローディングに対して低減することを示す。
- 参考スコア（独自算出の注目度）: 10.571709993050748
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern LLM agents increasingly rely on reusable skills, yet as skill libraries scale to thousands of entries, effective retrieval becomes a bottleneck. Graph-of-Skills (GoS) addresses this challenge by exploiting dependency-aware graph structure for scalable skill retrieval, while SkillDAG further demonstrates that skill graphs can accumulate execution-backed structure online. However, these approaches leave open whether historical execution traces can be systematically distilled into a better retrieval graph that generalizes to unseen tasks. We present Self-Evolving Graph-of-Skills (SE-GoS), a training-free framework that evolves an existing GoS graph from execution traces while preserving the original retrieval pipeline. SE-GoS performs three complementary updates: topology evolution that discovers and prunes skill relationships from execution evidence, edge-weight evolution that reinforces retrieval-relevant relationships based on historical effectiveness, and description evolution that optimizes retrieval-facing skill descriptions using execution feedback. Across three LLMs on SkillsBench, SE-GoS consistently improves task reward while reducing input tokens relative to full skill loading, with gains varying across model families. In a representative setting, one evolution round improves reward from 52.4\% to 59.4\% while reducing input tokens by approximately one-third relative to full skill loading, and the resulting graph transfers to a disjoint held-out split with a 5.4-point improvement over the static GoS baseline. These results show that skill graphs can be improved from execution experience without model training, changes to the retrieval algorithm, or modifications to skill content, turning a static retrieval graph into an evolving retrieval infrastructure.
- Abstract（参考訳）: 現代のLLMエージェントは、再利用可能なスキルにますます依存しているが、スキルライブラリが数千のエントリにスケールするにつれて、効果的な検索がボトルネックとなる。
Graph-of-Skills(GoS)は、スケーラブルなスキル検索に依存性対応のグラフ構造を活用することで、この課題に対処する。
しかし、これらの手法は、過去の実行トレースを体系的に、見えないタスクに一般化するより良い検索グラフに抽出できるかどうかを未解決のまま残している。
我々は,既存のGoSグラフを,オリジナルの検索パイプラインを保存しながら,実行トレースから進化させるトレーニングフリーフレームワークであるSelf-Evolving Graph-of-Skills(SE-GoS)を提案する。
SE-GoSは、実行エビデンスからスキル関係を発見して引き起こすトポロジー進化、履歴の有効性に基づいた検索関連関係を強化するエッジウェイト進化、実行フィードバックを用いた検索対応スキル記述を最適化する記述進化の3つの補完的な更新を行う。
SkillsBench上の3つのLLM全体において、SE-GoSは、モデルファミリ毎にゲインが変化するフルスキルローディングに対する入力トークンを削減しながら、タスク報酬を一貫して改善する。
代表的な設定では、ある進化ラウンドは、入力トークンをフルスキルローディングに対して約3分の1削減しながら、52.4\%から59.4\%に改善し、結果として、静的なGoSベースラインよりも5.4ポイント改善された不随意のホールトアウトへのグラフ転送を分割する。
これらの結果から,モデルトレーニングや検索アルゴリズムの変更,スキル内容の変更を伴わない実行経験から,静的検索グラフを進化する検索基盤に変換することが可能であることが示唆された。
関連論文リスト
- Procedural Graphs: Self-Evolving Execution Structures for LLM Agents [11.810729293911622]
手続きグラフ(Procedural Graph)は、手続き的知識を、何を問うかのトリプル(手続き、関係、手続き)に整理する。
各決定ステップにおいて、フレームワークはエージェントのアクティブノードをローカライズし、ガイダンスモデルは周辺のサブグラフをステップレベルの状況ガイダンスに変換する。
LLM精製器は失敗した軌跡と成功した軌跡を対比し、グラフの位相と属性を編集する。
論文 参考訳（メタデータ） (2026-09-08T17:59:41Z) - CaSKG: Counterfactual-Causal Skill Graphs for Scalable Agent Skill Retrieval [20.44841712209369]
CaSKGは、検索前に手続き関係を校正するスキルグラフフレームワークである。
モデルとベンチマークの12つの組み合わせの中で、最も高いタスクスコアを達成します。
論文 参考訳（メタデータ） (2026-08-26T08:12:41Z) - HiSkill: Empowering LLM Agents with Hierarchical Skill Graphs [27.33052401264838]
HiSkillは階層的なスキルグラフフレームワークで、インタラクショントラジェクトリを、スキルノード、AtomicOpノード、型付きエッジを備えた有向グラフに整理する。
再利用可能な高レベルのスキルと実行可能なアクションテンプレートを接続し、分解、時間的遷移、互換性、サポート、リカバリの関係をキャプチャする。
実験によると、HiSkillは推論トークンの消費を減らしながら、最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2026-07-28T15:25:47Z) - PromptDyG: Test-Time Prompt Adaptation on Dynamic Graphs [97.88691137307723]
PromptDyGは、教師なしテストタイムのPrompt適応を動的グラフ学習に活用する新しいフレームワークである。
理論的には、この教師なしのプロンプト適応は、正対と負対のより大きな類似性マージンを保証し、より正確な動的予測を促進することが示される。
論文 参考訳（メタデータ） (2026-06-22T06:54:02Z) - ExpGraph: Model-Agnostic Experience Learning with Graph-Structured Memory for LLM Agents [32.42010710901808]
大規模言語モデル(LLM)エージェントは推論、ツールの使用、多段階の相互作用において強力な能力を示している。
収集した経験の微調整は再利用を改善することができるが、より強いあるいはより適切な実行者が現れると、柔軟性が低下する。
本研究では,フリーズおよびリプレース可能なLCMエグゼキュータによる外部エクスペリエンスの再利用による改善を可能にする,モデルに依存しない経験学習フレームワークであるExpGraphを提案する。
論文 参考訳（メタデータ） (2026-05-29T01:04:41Z) - GraphMind: From Operational Traces to Self-Evolving Workflow Automation [8.929269898719822]
我々は、最小限の努力でアクション中心のワークフローグラフを構築し、実行し、進化させるシステムであるGraphMindを提案する。
このシステムは、インシデント調査のために、4つのプロダクションクラウドデータベースサービスにデプロイされている。
評価された会話の97%は、対話的なレイテンシの中で実行可能な結果をもたらす。
論文 参考訳（メタデータ） (2026-05-17T19:22:22Z) - SkillGraph: Skill-Augmented Reinforcement Learning for Agents via Evolving Skill Graphs [70.1970574147839]
有向グラフのノードとして再利用可能なスキルを表現するフレームワークであるSKILLGRAPHを提案する。
SKILLGRAPHは個々のスキルだけでなく、多段階意思決定をガイドできる順序付きスキルサブグラフも取得する。
実験により,SKILLGRAPHはメモリ拡張RL法に対して最先端の性能を実現することが示された。
論文 参考訳（メタデータ） (2026-05-12T12:21:49Z) - Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。
4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
論文 参考訳（メタデータ） (2026-01-23T05:41:05Z) - Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs [62.544129365882014]
本稿では,SIT-Graph というグラフ学習用セミ教師付きインストラクションチューニングパイプラインを提案する。
SIT-Graphはモデルに依存しず、LSMを予測子として利用するグラフ命令チューニングメソッドにシームレスに統合することができる。
SIT-Graphは、最先端グラフチューニング手法に組み込むと、テキスト分散グラフベンチマークの性能を大幅に向上することを示した。
論文 参考訳（メタデータ） (2026-01-19T08:10:53Z) - TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。
報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
論文 参考訳（メタデータ） (2025-11-07T16:08:34Z) - GRAIL:Learning to Interact with Large Knowledge Graphs for Retrieval Augmented Reasoning [13.481673780508215]
GRAILは、検索強化推論のための大規模グラフと相互作用するように設計されたフレームワークである。
GRAILは知識グラフ問合せデータセットの平均精度を21.01%改善し、F1改善を22.43%改善する。
論文 参考訳（メタデータ） (2025-08-07T15:34:41Z) - SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。
まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。
次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文 参考訳（メタデータ） (2023-08-03T07:00:04Z)
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。