論文の概要: Studying Without a Syllabus: Task-Agnostic Environment Preprocessing

• arxiv url: http://arxiv.org/abs/2609.10824v1
• Date: Wed, 09 Sep 2026 20:52:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.137789
• Title: Studying Without a Syllabus: Task-Agnostic Environment Preprocessing
• Title（参考訳）: Syllabusを使わずに学ぶ:タスク非依存の環境前処理
• Abstract要約: 本研究では,学習システムが予算下で環境を探索し,凍結解凍器の人工物を生成するタスク非依存環境前処理を形式化する。 メタエージェントの変種は5つのベンチマークで最高のAvg@3報酬を達成するが、固定コーパス処理は最大のコーパスベンチマークで最良である。 研究されたアーティファクトは、所定のスコアに達するのに必要なテスト時間サンプリングを減らし、再利用可能な準備が、繰り返しのテスト時間試行からタスク前の研究フェーズにどのように移行できるかを実証する。
• 参考スコア（独自算出の注目度）: 5.245578927406077
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Before an LLM agent tackles tasks in a new environment, it can inspect available corpora and tools and construct reusable resources such as indices, scripts, or procedural guidance. Most automated adaptation methods, however, rely on task examples, trajectories, or evaluation feedback to decide what to build. Existing task-agnostic approaches avoid this supervision but commit in advance to a preparation strategy for a particular type of environment. We study a more open-ended setting: can an agent study an unfamiliar environment without a syllabus, i.e. before test time and without knowledge of the downstream task distribution, and choose how to prepare it? We formalize task-agnostic environment preprocessing, in which a studying system explores an environment under a budget and produces artifacts for a frozen solver. We compare unaided and archive-equipped meta-agents with fixed synthetic-practice and corpus-processing methods across six heterogeneous benchmarks. A meta-agent variant achieves the highest Avg@3 reward on five benchmarks, while fixed corpus processing remains best on the largest corpus benchmark. Larger study budgets do not reliably improve downstream reward. Nevertheless, studied artifacts reduce the test-time sampling needed to reach a given score, demonstrating how reusable preparation can shift computation from repeated test-time attempts to a pre-task study phase.
• Abstract（参考訳）: LLMエージェントが新しい環境でタスクに取り組む前に、利用可能なコーパスとツールを検査し、インデックス、スクリプト、手続き的ガイダンスなどの再利用可能なリソースを構築することができる。 しかし、ほとんどの自動適応手法は、何を構築するかを決定するためにタスクの例、軌道、評価フィードバックに依存している。 既存のタスクに依存しないアプローチでは、この監視は避けるが、特定の種類の環境に対する準備戦略に先立ってコミットする。 エージェントは、テスト時間前、下流のタスク分布の知識のない、シラバスのない不慣れな環境を学習し、その準備方法を選択することができるか? 本研究では,学習システムが予算下で環境を探索し,凍結解凍器の人工物を生成するタスク非依存環境前処理を形式化する。 6つの異種ベンチマークにおいて, 未使用およびアーカイブ装備メタエージェントと固定された合成実践およびコーパス処理手法の比較を行った。 メタエージェントの変種は5つのベンチマークで最高のAvg@3報酬を達成するが、固定コーパス処理は最大のコーパスベンチマークで最良である。 大規模な研究予算は下流の報酬を確実に改善しない。 それにもかかわらず、研究対象のアーティファクトは、所定のスコアに達するのに必要なテスト時間サンプリングを削減し、再利用可能な準備が、繰り返しテスト時間試行からプレタスク研究フェーズにどのように移行できるかを実証した。

関連論文リスト

• Agent psychometrics: Task-level performance prediction in agentic coding benchmarks [24.348135523715815]
  本稿では,エージェントプログラミング体制に合わせて,個々のタスクにおける成功や失敗を予測する枠組みを提案する。 我々のアプローチは、イシューステートメント、リポジトリコンテキスト、ソリューション、テストケースなど、タスクから抽出された豊富な機能を備えたアイテム応答理論(IRT)を拡張します。
  論文  参考訳（メタデータ） (2026-04-01T07:59:59Z)
• ResearchEnvBench: Benchmarking Agents on Environment Synthesis for Research Code Execution [44.652433226889976]
  ResearchEnvBenchは、研究コード実行における環境合成のベンチマークである。 再現可能な科学的研究に向けて自律的なエージェントを前進させるための現実的なテストベッドを提供する。
  論文  参考訳（メタデータ） (2026-03-06T08:29:08Z)
• Task Priors: Enhancing Model Evaluation by Considering the Entire Space of Downstream Tasks [18.705966042259405]
  このような厳格な評価プロトコルは、AI研究においてサイレントボトルネックを生み出している、と我々は主張する。 このビューでは、すべてのダウンストリームタスクのセットに対してモデルのパフォーマンスを評価することができる。
  論文  参考訳（メタデータ） (2025-07-14T02:53:14Z)
• Agentic Predictor: Performance Prediction for Agentic Workflows via Multi-View Encoding [56.565200973244146]
  Agentic Predictorは、効率的なエージェントワークフロー評価のための軽量な予測器である。 Agentic Predictorはタスク成功率の近似を学ぶことで、最適なエージェントワークフロー構成の迅速かつ正確な選択を可能にする。
  論文  参考訳（メタデータ） (2025-05-26T09:46:50Z)
• No Regrets: Investigating and Improving Regret Approximations for Curriculum Discovery [53.08822154199948]
  非教師なし環境設計(UED)手法は、エージェントがイン・オブ・アウト・ディストリビューションタスクに対して堅牢になることを約束する適応的カリキュラムとして近年注目を集めている。 本研究は,既存のUEDメソッドがいかにトレーニング環境を選択するかを検討する。 本研究では,学習性の高いシナリオを直接訓練する手法を開発した。
  論文  参考訳（メタデータ） (2024-08-27T14:31:54Z)
• Adaptive Retention & Correction: Test-Time Training for Continual Learning [114.5656325514408]
  連続学習における一般的な問題は、最新のタスクに対する分類層のバイアスである。 アダプティブ・リテンション・アンド・コレクション (ARC) のアプローチを例に挙げる。 ARCはCIFAR-100とImagenet-Rのデータセットで平均2.7%と2.6%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2024-05-23T08:43:09Z)
• Reinforcement Learning with Success Induced Task Prioritization [68.8204255655161]
  本稿では,自動カリキュラム学習のためのフレームワークであるSuccess induced Task Prioritization (SITP)を紹介する。 アルゴリズムはエージェントに最速の学習を提供するタスクの順序を選択する。 我々は,SITPが他のカリキュラム設計手法と一致するか,あるいは上回っていることを実証する。
  論文  参考訳（メタデータ） (2022-12-30T12:32:43Z)
• Learning Task Automata for Reinforcement Learning using Hidden Markov Models [37.69303106863453]
  本稿では,非マルコフ型タスク仕様を簡潔な有限状態タスクオートマトンとして学習するための新しいパイプラインを提案する。 我々は,その製品 MDP を部分的に観測可能な MDP として扱い,よく知られた Baum-Welch アルゴリズムを用いて隠れマルコフモデルを学習することで,仕様のオートマトンと環境の MDP からなるモデルである製品 MDP を学習する。 我々の学習タスクオートマトンはタスクをその構成サブタスクに分解し、RLエージェントが後に最適なポリシーを合成できる速度を改善する。
  論文  参考訳（メタデータ） (2022-08-25T02:58:23Z)
• Adaptive Task Sampling for Meta-Learning [79.61146834134459]
  数ショットの分類のためのメタラーニングの鍵となるアイデアは、テスト時に直面した数ショットの状況を模倣することである。 一般化性能を向上させるための適応型タスクサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2020-07-17T03:15:53Z)
• Pre-training Text Representations as Meta Learning [113.3361289756749]
  本稿では,下流タスクを効果的に学習するために,モデルがテキスト表現を学習する能力を直接最適化する学習アルゴリズムを提案する。 マルチタスク事前学習とモデル非依存型メタラーニングの間には,一連のメタトレインステップによる本質的な関係があることが示されている。
  論文  参考訳（メタデータ） (2020-04-12T09:05:47Z)

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。