論文の概要: Evolutionary Ensemble Search: Council-Guided Program Evolution with Persistent Memory
- arxiv url: http://arxiv.org/abs/2609.17590v1
- Date: Fri, 11 Sep 2026 19:18:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.448639
- Title: Evolutionary Ensemble Search: Council-Guided Program Evolution with Persistent Memory
- Title（参考訳）: 進化的アンサンブル探索:永続記憶を用いたカウンシルガイド型プログラム進化
- Abstract要約: Evolutionary Ensemble Searchは、エキスパートが指導するプログラムの進化を通じて、機械学習の手順を構築する。
役割特定委員会は、タスクエビデンスと実験結果を構造化された探索方向に変換する。
エンジンは測定済みの両親を選択し、エラーを診断し、コード変異、構造化パイプライン編集、クロスオーバーを通じて子孫を生成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Evolutionary Ensemble Search (EES) constructs machine-learning procedures through expert-guided program evolution. A role-specialized council turns task evidence and experimental results into structured search directions. An orchestrator allocates these directions to execution specialists and an evolutionary engine. The engine selects measured parents, diagnoses their errors, and produces descendants through code mutation, structured pipeline edits, and crossover. Each child must execute and acquire its own validation evidence. Population archives retain useful alternatives, while compatible predictions compete in a validation-gated ensemble stage. Search adapts through parent-relative operator credit, session memory, and problem-indexed lessons retrieved across runs. We specify these mechanisms, distinguish their execution profiles, and define the contracts required to compare candidates as their computations change. A public MLE-bench Lite development ledger records medal-threshold artifacts on 19 of 22 tasks (86.36\%), with best outcomes of 11 gold, five silver, and three bronze. The procedures span text, images, tables, audio, scientific geometry, and deterministic transformations. The campaign includes grade feedback between runs, external-source routes, and mixed confirmation procedures; its aggregate is an achieved development result, not a blind autonomous-agent success rate. The report contributes a concrete architecture for cumulative executable search and a versioned account of its cross-modal development outcomes.
- Abstract（参考訳）: Evolutionary Ensemble Search (EES)は、専門家が指導するプログラムの進化を通じて、機械学習の手順を構築する。
役割特定委員会は、タスクエビデンスと実験結果を構造化された探索方向に変換する。
オーケストレータはこれらの方向を、実行スペシャリストと進化エンジンに割り当てる。
エンジンは測定済みの両親を選択し、エラーを診断し、コード変異、構造化パイプライン編集、クロスオーバーを通じて子孫を生成する。
それぞれの子供は、独自の検証証拠を取得して実行しなければなりません。
集団アーカイブは有用な代替手段を保ち、互換性のある予測はバリデーション付きアンサンブルの段階で競合する。
検索は、親相対演算子クレジット、セッションメモリ、実行中に検索された問題インデックス付きレッスンを通じて適応する。
これらのメカニズムを定義し、それらの実行プロファイルを識別し、計算が変化するにつれて候補を比較するのに必要な契約を定義する。
MLE-bench Liteの開発台帳は、22のタスクのうち、19のタスク(86.36\%)でメダル獲得の成果を記録し、11のゴールド、5のシルバー、3の青銅が最良の結果となった。
手順は、テキスト、画像、テーブル、オーディオ、科学的幾何学、決定論的変換にまたがる。
キャンペーンには、ラン、外部ソースルート、混合確認手順のグレードフィードバックが含まれており、その集計結果は、盲目の自律エージェントの成功率ではなく、達成された開発結果である。
本報告では, 累積実行可能探索のための具体的なアーキテクチャと, クロスモーダルな開発成果の検証を行った。
関連論文リスト
- Test-Driven Approaches to Software Engineering with Large Language Models: A Survey of Phases, Tasks, and Agent Skills [14.44743150931186]
テストは、大規模言語モデルとソフトウェアエンジニアリングエージェントによる決定にますます参加します。
意図された振る舞い、プログラムの構築と修復のガイド、候補の選択、制約変換、ソフトウェア分析の実行証拠を提供する。
これらは、テスト駆動開発における描画を使用するが、テスト順序、オラクル可用性、編集可能なアーティファクト、実行の役割は大きく異なる。
論文 参考訳（メタデータ） (2026-09-10T06:20:22Z) - 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) - The Optimizer Is the Agent: Reasoning-Driven Search across Prompts, Programs, and ML Workflows [72.9051182568928]
推論駆動最適化のための統合フレームワークであるReASearchを提案する。
共有エージェントループとドメイン固有のツールにより、ReASearchは、プロンプト、プログラム、MLを最適化するために、まったく同じスキャフォールドをインスタンス化する。
我々は,複雑な探索行動がエージェントの推論プロセスから自然に現れることを観察する。
論文 参考訳（メタデータ） (2026-08-07T02:15:39Z) - TTHE: Test-Time Harness Evolution [50.26245555541721]
既存のアプローチでは、デプロイ前、トレーニング前、あるいはテスト時に凍結される固定されたエージェントワークフローの開発データを最適化する。
我々は、エージェントがテスト入力で生成するラベルのない実行トレースのみを使用して、評価自体にハーネスを最適化できるかどうかを問う。
評価中、TTHEは候補ハーネスの人口を維持し、それらの実行トレースの理由をエージェントプロジェクタを通じてそれらを洗練する。
その後、審査員は実行元プロキシ信号から改善されたハーネスをコミットし、選択したプログラムは継続してその後の入力を統治する。
論文 参考訳（メタデータ） (2026-07-09T05:53:39Z) - Hybrid Retriever Evolution for Multimodal Document Reasoning Agents [7.9215284090523355]
本稿では,メタエージェントが自律的にツール利用タスクエージェントの協調方法を検出する,障害駆動型進化フレームワークを提案する。
MMLongBench-DocとDocBenchでは、進化したエージェントは、未進化のベースライン上で最大+19.6ポイントのゲインを達成する。
論文 参考訳（メタデータ） (2026-06-28T23:36:34Z) - What Do Evolutionary Coding Agents Evolve? [46.561777689365165]
EvoTraceは4つの進化的フレームワーク、推論と非推論モデル、数学とアルゴリズム設計にまたがる16のタスクからなる進化的コーディングトレースのデータセットである。
本研究では,これらのトレースを,ハイスコアソリューションの裏側にある局所的な検索状態を再構成するリプレイベースの手法であるEvoReplayを用いて解析する。
EvoTrace全体では、ほとんどのスコアはこれらの編集タイプの小さなサブセットから得ている。
論文 参考訳（メタデータ） (2026-05-19T16:41:45Z) - CoSearch: Joint Training of Reasoning and Document Ranking via Reinforcement Learning for Agentic Search [51.911048955965136]
CoSearchは多段階推論エージェントと生成ドキュメントランキングモデルを共同でトレーニングするフレームワークである。
この結果から, 推論エージェントと検索システムの協調訓練は, 実現可能であり, 性能も高いことが示唆された。
論文 参考訳（メタデータ） (2026-04-19T17:48:17Z) - Reasoning Through Execution: Unifying Process and Outcome Rewards for Code Generation [27.484259938667776]
大規模言語モデルはコード生成に優れていますが、推論を必要とする複雑なプログラミングタスクに苦労します。
本稿では,実行可能検証を活用することで,プロセスと結果の監視を統一するアウトカム・リフィニング・プロセス・スーパービジョンを紹介する。
5つのモデルと3つのベンチマークによる実験では、26.9%の精度でコード効率が42.2%向上した。
論文 参考訳（メタデータ） (2024-12-19T17:59:42Z) - Discovering Non-monotonic Autoregressive Orderings with Variational
Inference [67.27561153666211]
我々は、訓練データから高品質な生成順序を純粋に検出する、教師なし並列化可能な学習装置を開発した。
エンコーダを非因果的注意を持つトランスフォーマーとして実装し、1つのフォワードパスで置換を出力する。
言語モデリングタスクにおける経験的結果から,我々の手法は文脈認識であり,一定の順序と競合する,あるいはより優れた順序を見つけることができる。
論文 参考訳（メタデータ） (2021-10-27T16:08:09Z) - CausalWorld: A Robotic Manipulation Benchmark for Causal Structure and
Transfer Learning [138.40338621974954]
CausalWorldは、ロボット操作環境における因果構造と伝達学習のベンチマークである。
タスクは、ブロックのセットから3D形状を構築することで構成される。
論文 参考訳（メタデータ） (2020-10-08T23:01:13Z)
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。