論文の概要: GeoSkill:Experience-Driven Hierarchical Skill Learning with Collaborative Revision forGeospatialAgents
- arxiv url: http://arxiv.org/abs/2609.13667v1
- Date: Sat, 12 Sep 2026 02:50:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.458544
- Title: GeoSkill:Experience-Driven Hierarchical Skill Learning with Collaborative Revision forGeospatialAgents
- Title（参考訳）: GeoSkill:Geospatial Agentsの協調改訂による経験駆動型階層型スキル学習
- Abstract要約: GeoSkillは、地理空間エージェントのための経験駆動の階層的スキル学習フレームワークである。
過去の実行経験を再利用可能な階層的スキルに変換する。
地理的タスクにおけるエンドツーエンドのタスク精度とツール実行信頼性の両方を改善する。
- 参考スコア（独自算出の注目度）: 19.003018505935845
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Geospatial agents are increasingly expected to support recurring and evolving analytical tasks rather than execute isolated workflows. In such settings, effective agents must distill prior execution experience into reusable geospatial procedural knowledge to guide future planning and tool use. However, existing memory-augmented paradigms struggle to summarize both long-horizon tool-chain orchestration experience and tool-level invocation constraints in geospatial analysis, while directly relying on LLM self-reflection to update experience often leads to misattribution and unreliable revisions. To address these challenges, we propose GeoSkill, an experience-driven hierarchical skill learning framework for geospatial agents. GeoSkill comprises two core components: (i) a Hierarchical Skill Bank (HSB), consisting of a Planning Skill Bank and a Tool Skill Bank, which respectively distill high-level task-planning experience and tool usage constraints, enabling structured representation and cross-task reuse of historical execution experience; and (ii) a Collaborative Trace-driven Skill Revision (CTSR) mechanism, where Judge, Critic, and Refiner collaboratively perform error identification, skill-level defect localization, and targeted modification, preventing misattributed and unreliable revisions from polluting the skill bank. GeoSkill learns and validates skills from historical executions during development, and freezes the skill bank for retrieval-only guidance on unseen tasks during deployment. Extensive experiments on EarthBench and ThinkGeo demonstrate that GeoSkill effectively transforms historical execution experience into reusable hierarchical skills, improving both end-to-end task accuracy and tool-execution reliability in geospatial tasks.
- Abstract（参考訳）: 地理空間エージェントは、独立したワークフローを実行するのではなく、繰り返しおよび進化する分析タスクをサポートすることがますます期待されている。
このような環境では、効果的なエージェントは、事前実行経験を再利用可能な地理空間的手続き知識に蒸留し、将来の計画とツールの使用をガイドしなければならない。
しかし、既存のメモリ拡張パラダイムは、長期ツールチェーンオーケストレーションエクスペリエンスと地理空間分析におけるツールレベルの呼び出し制約の両方を要約するのに苦労している。
このような課題に対処するために,地理空間エージェントのための経験駆動型階層型スキル学習フレームワークGeoSkillを提案する。
GeoSkillは2つのコアコンポーネントから構成される。
一 計画技能銀行及びツール技能銀行により構成され、それぞれ高水準の業務計画経験及びツール使用制限を蒸留し、構造的表現及び過去の実施経験のクロスタスク再利用を可能にする階層的技能銀行
2 審査員、批評家及びリファイナが、ミス識別、スキルレベルの欠陥ローカライゼーション及び目標変更を共同で行い、スキルバンクの汚染を未然に防止する、協調的トレース駆動型スキルリビジョン(CTSR)機構。
GeoSkillは開発中の履歴的な実行からスキルを学び、検証し、デプロイ中の未確認タスクの検索専用ガイダンスとしてスキルバンクを凍結する。
EarthBenchとThinkGeoの大規模な実験は、GeoSkillが歴史的実行経験を再利用可能な階層的スキルに効果的に変換し、地理空間的タスクにおけるエンドツーエンドのタスク精度とツール実行信頼性の両方を改善することを実証している。
関連論文リスト
- GeoForge: Non-Parametric Self-Evolving Agents for Earth-Observation Reasoning [25.382191805848013]
我々は、完成した軌道を構造化された非パラメトリックな実行状態に変換する、トレーニング不要で自己進化的なフレームワークGeoForgeを提案する。
GeoForgeは、センシングコンテキストに従って操作空間を制約し、3つの補完記憶からタスク条件付きを検索する。
各タスクの後、安全ゲート蒸留プロセスは、接地された軌跡を将来の検索のための再利用可能な実行知識に変換する。
論文 参考訳（メタデータ） (2026-08-11T05:11:10Z) - SkillComposer: Learning to Evolve Agent Skills for Specification and Generalization [99.18305770138677]
エージェントスキルは、エージェントの推論とアクションをガイドする再利用可能な戦略である。
現在の技術構築手法は、問題を一発抽出として扱う。
本稿では,スキル構築を3つの学習可能な操作に分解するフレームワークであるSkillComposerを紹介する。
論文 参考訳（メタデータ） (2026-06-04T12:16:08Z) - SkillEvolBench: Benchmarking the Evolution from Episodic Experience to Procedural Skills [31.23929961213889]
大規模言語モデル(LLM)エージェントは、現実世界のタスクを解きながら豊富なエピソード軌道を蓄積する。
SkillEvolBenchは、経験の再利用からスキル形成まで、このステップを評価するための診断ベンチマークである。
現在のエージェントは、しばしばローカルに適応するが、堅牢な再利用可能なスキルを形成することは滅多にない。
論文 参考訳（メタデータ） (2026-05-22T18:23:31Z) - SkillGenBench: Benchmarking Skill Generation Pipelines for LLM Agents [15.669318649782285]
我々は、統一されたプロトコルの下でスキル生成パイプラインを評価するためのベンチマークであるSkillGenBenchを紹介する。
ジェネレータは生のコーパスを受け取り、標準化されたスキルアーティファクトを生成し、固定ハーネスの下で実行される。
様々なスキルジェネレーション手法とバックボーンの実験は、かなりの性能変化を示している。
論文 参考訳（メタデータ） (2026-05-18T17:28:36Z) - OSExpert: Computer-Use Agents Learning Professional Skills via Exploration [55.660669638732024]
汎用コンピュータ利用エージェントは、人間の専門家ほど役に立たない。
本研究では,環境の単位関数を探索し,検証するための深度優先探索アルゴリズムを提案する。
エージェントは、合成タスクのカリキュラムを自己構築するために、ユニットスキル間の構成性を利用する。
論文 参考訳（メタデータ） (2026-03-09T05:27:56Z) - SAME: Stabilized Mixture-of-Experts for Multimodal Continual Instruction Tuning [83.66308307152808]
マルチモーダル・インストラクション・チューニング(MCIT)のためのStAbilized Mixture-of-Experts(SAME)を提案する。
プロプライエタリは、サブスペースへのルーティングダイナミクスを分解し、タスク関連方向のみを更新することで、専門家の選択を安定化する。
また、トレーニング中に選択した専門家を凍結するためにアダプティブな専門家アクティベーションを導入し、冗長でクロスタスクな干渉を減らす。
論文 参考訳（メタデータ） (2026-02-02T11:47:06Z) - Experience-Driven Multi-Agent Systems Are Training-free Context-aware Earth Observers [27.817039954088315]
ツールレベルの専門知識を学習するための自己進化型マルチエージェントシステムである textbfGeoEvolver を紹介する。
GeoEvolverはエンドツーエンドのタスクの成功を継続的に改善し、複数のバックボーンで平均12%向上することを示す。
論文 参考訳（メタデータ） (2026-01-30T15:11:07Z) - Spatial Reasoning and Planning for Deep Embodied Agents [2.7195102129095003]
この論文は空間的推論と計画タスクのためのデータ駆動手法の開発を探求する。
学習効率、解釈可能性、新しいシナリオ間の伝達可能性の向上に重点を置いている。
論文 参考訳（メタデータ） (2024-09-28T23:05:56Z) - P-RAG: Progressive Retrieval Augmented Generation For Planning on Embodied Everyday Task [94.08478298711789]
Embodied Everyday Taskは、インボディードAIコミュニティで人気のあるタスクである。
自然言語命令は明示的なタスクプランニングを欠くことが多い。
タスク環境に関する知識をモデルに組み込むには、広範囲なトレーニングが必要である。
論文 参考訳（メタデータ） (2024-09-17T15:29:34Z) - Fast Inference and Transfer of Compositional Task Structures for
Few-shot Task Generalization [101.72755769194677]
本稿では,タスクがサブタスクグラフによって特徴づけられる,数発の強化学習問題として定式化する。
我々のマルチタスクサブタスクグラフ推論器(MTSGI)は、トレーニングタスクから、まず、サブタスクグラフの観点から、一般的なハイレベルなタスク構造を推測する。
提案手法は,2次元グリッドワールドおよび複雑なWebナビゲーション領域において,タスクの共通基盤構造を学習し,活用し,未知のタスクへの適応を高速化する。
論文 参考訳（メタデータ） (2022-05-25T10:44:25Z) - Hierarchical Reinforcement Learning as a Model of Human Task
Interleaving [60.95424607008241]
我々は、強化学習によって駆動される監督制御の階層モデルを開発する。
このモデルは、タスクインターリービングの既知の経験的効果を再現する。
その結果、階層的RLがタスクインターリービングのもっともらしいモデルとして支持された。
論文 参考訳（メタデータ） (2020-01-04T17:53:28Z)
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。