論文の概要: SkillLift: Learning Dense Rubrics from Sparse Oracles for Efficient Skill Evolution
- arxiv url: http://arxiv.org/abs/2609.15396v1
- Date: Mon, 14 Sep 2026 11:30:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.297117
- Title: SkillLift: Learning Dense Rubrics from Sparse Oracles for Efficient Skill Evolution
- Title（参考訳）: SkillLift: スキルの進化を効果的にするために、スパースオラクルから複雑なルーブリックを学ぶ
- Abstract要約: LLMをベースとしたエージェントは、再利用可能な手続き的プロンプトという永続的なスキルに依存して、重み付けをせずに適応するようになっている。
既存のスキル自己進化手法は、実行フィードバックに基づいて、スキルテキストを直接修正するが、各オラクル評価には完全なエージェントロールアウトが必要である。
SkillLiftを提案する。これは、オラクルの整列したルーリックを構造化評価空間として学習することで、オラクルのコストからスキル検索を分離するものである。
複雑なエージェントタスクベンチマーク実験により,提案手法は,フロンティア進化手法と比較して,トークンコストを40～70%低減した既存のオートスキル手法よりも優れていた。
- 参考スコア（独自算出の注目度）: 2.429897021787139
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: LLM-based agents increasingly rely on persistent skills, i.e., reusable procedural prompts, to adapt without weight updates. Existing skill self-evolution methods directly revise skill text based on execution feedback, but each oracle evaluation requires a full agent rollout, creating a supervision bottleneck that confines search to failure-patching updates. Our key insight is that ranking is a smoother supervision target than absolute outcome regression: identifying which skill is better requires fewer oracle evaluations than predicting exact scores. Building on this insight, we propose SkillLift, which decouples skill search from oracle cost by learning an oracle-aligned rubric as a structured evaluation space. We formalize this as a bilevel optimization problem solved via alternating optimization: an inner loop uses the frozen rubric as a cheap surrogate to guide skill revision at no oracle cost, while an outer loop invokes a small number of oracle rollouts to re-align the rubric via rank correlation, amortizing oracle cost and stabilizing text-space updates. Experiments on complex agent task benchmarks show that our method outperforms existing auto-skill methods with 40--70\% less token cost compared to frontier evolving methods. Codes are available at https://github.com/WalteR-MittY-pro/SkillLift.
- Abstract（参考訳）: LLMをベースとしたエージェントは、再利用可能な手続き的プロンプトという永続的なスキルに依存して、重み付けをせずに適応するようになっている。
既存のスキル自己進化手法は、実行フィードバックに基づいて、スキルテキストを直接修正するが、各オラクル評価には完全なエージェントロールアウトが必要であり、検索を障害対応更新に制限する監視ボトルネックが生じる。
私たちの重要な洞察は、ランキングが絶対結果の回帰よりもスムーズな監視対象であることです。
この知見に基づいて,本論文では,オラクル・アライン・ルーリックを構造化評価空間として学習することで,オラクル・コストからスキル・サーチを分離するSkillLiftを提案する。
内部ループは、冷凍ルーリックを安価なサロゲートとして使用してオラクルコストなしでスキルリビジョンをガイドし、外側ループは少数のオラクルロールアウトを起動し、ランク相関、オラクルコストの償却、テキストスペース更新の安定化を通じてルーリックを再調整する。
複雑なエージェントタスクベンチマーク実験により,提案手法は,フロンティア進化手法と比較して,トークンコストを40～70パーセント低減した既存のオートスキル手法よりも優れていた。
コードはhttps://github.com/WalteR-MittY-pro/SkillLift.comで公開されている。
関連論文リスト
- Write, Execute, Refine: From Skill Followers to Skill Optimizers via Reinforcement Learning from Execution Feedback [52.78692582507693]
専門家による自然言語スキルは、ツール使用エージェントを改善することができるが、エージェントによるスキルは、スキルを使用しないよりも8-11ポイント悪い。
本研究では,中間的スキルから実行経験を訓練状態に整理する方法について検討する。
論文 参考訳（メタデータ） (2026-08-18T09:52:48Z) - Escaping the Self-Repair Trap: Improving Test Oracle Generation via Dual-Context Awareness [4.39623958563083]
DCAwareは、マルチラウンド修復よりも高信号対雑音のコンテキストグラウンドを優先する非定型フレームワークである。
DCAウェアは、高い実行成功を維持しながら、フォールトリーベリングの有効性を一貫して向上することを示す。
以上の結果から,反復的な補修複雑性を付加するよりも,文脈品質の向上が有効であることが示唆された。
論文 参考訳（メタデータ） (2026-08-06T11:43:11Z) - REVES: REvision and VErification--Augmented Training for Test-Time Scaling [53.197756110943395]
本稿では,オンラインデータ/プロンプト拡張とポリシー最適化を交互に行う2段階反復フレームワークを提案する。
我々は、RLベースライン上の+6.5点と、標準マルチターントレーニングにおける+4.0点の利得を観察する。
論文 参考訳（メタデータ） (2026-06-17T10:37:23Z) - Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。
EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
論文 参考訳（メタデータ） (2026-05-28T09:45:47Z) - Reducing Oracle Feedback with Vision-Language Embeddings for Preference-Based RL [18.45416397753188]
ROVEDは、VLEベースの監視とターゲットとするオラクルフィードバックを組み合わせたハイブリッドフレームワークである。
提案手法では,VLEを用いてセグメントレベルの嗜好を生成し,不確実性の高いサンプルのみをオラクルにフェールさせる。
複数のロボット操作タスクにまたがって、ROVEDは事前の嗜好ベースのメソッドにマッチまたは超過し、オラクルクエリを最大80%削減する。
論文 参考訳（メタデータ） (2026-03-30T05:33:55Z) - SQL-ASTRA: Alleviating Sparse Feedback in Agentic SQL via Column-Set Matching and Trajectory Aggregation [51.696027315573296]
本稿では,効率的な軌道レベル評価と高密度ステップレベル信号の提供を目的とした,普遍的な2層報酬機構を特徴とするフレームワークを提案する。
伝統的なパラダイムでは、報酬は最終ターンのフィードバックによってのみ決定され、中間プロセスを無視し、曖昧な信用評価をもたらす。
提案手法は,同一モデルを用いてBIRD 2.0上でのSOTA Arctic-Text2-R1-7Bより優れており,頑健なマルチターンエージェントのパラダイムに向けてテキストから逆収束を推進していることを示す。
論文 参考訳（メタデータ） (2026-03-17T06:26:36Z) - Fast or Better? Balancing Accuracy and Cost in Retrieval-Augmented Generation with Flexible User Control [52.405085773954596]
Retrieval-Augmented Generationは、大規模な言語モデル幻覚を緩和するための強力なアプローチとして登場した。
既存のRAGフレームワークは、しばしば無差別に検索を適用し、非効率な再検索につながる。
本稿では,精度・コストのトレードオフを動的に調整できる新しいユーザ制御可能なRAGフレームワークを提案する。
論文 参考訳（メタデータ） (2025-02-17T18:56:20Z) - Necessary and Sufficient Oracles: Toward a Computational Taxonomy For Reinforcement Learning [28.184175745050474]
本稿では,教師付き学習オラクルの選択が強化学習アルゴリズムの計算複雑性に与える影響について検討する。
まず、標準的なエピソード・アクセス・モデルにおいて、2コンテキスト回帰を最小のオラクルとみなす。
第二に、より強いリセットアクセスモデルにおいて、一文回帰を最小に近いオラクルとみなす。
第3に、我々はLow-Rank MDPに焦点を絞り、Block MDP設定の類似のオラクルが不十分であることを示す暗号的証拠を与えます。
論文 参考訳（メタデータ） (2025-02-12T18:47:13Z) - Improve the efficiency of deep reinforcement learning through semantic
exploration guided by natural language [10.47685316733524]
本稿では,検索に基づく手法を用いて,神託との対話を選択的かつ効率的に行う方法を提案する。
ニューラルネットワークを用いてエージェントとオラクルの現在の状態を符号化し、コーパスから最も関連性の高い質問を検索してオラクルを問う。
提案手法は,特定のレベルの性能に達するために必要なインタラクション数を削減し,RLの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） (2023-09-21T03:25:35Z) - Lero: A Learning-to-Rank Query Optimizer [49.841082217997354]
これは、ネイティブクエリの上に構築され、クエリ最適化を改善するために継続的に学習される。
Leroはスクラッチから学習を構築するのではなく、数十年にわたるデータベースの知恵を活用し、ネイティブ性を改善するように設計されている。
Leroはいくつかのベンチマークでほぼ最適なパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-02-14T07:31:11Z)
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。