論文の概要: Semantic Projection for Continual Self-Evolution of Language Agents
- arxiv url: http://arxiv.org/abs/2609.36626v1
- Date: Tue, 29 Sep 2026 03:36:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.156678
- Title: Semantic Projection for Continual Self-Evolution of Language Agents
- Title（参考訳）: 言語エージェントの連続的自己進化のための意味的投影
- Abstract要約: パラメータ空間から振舞い空間へ勾配射影の関数原理を伝達するemphSemantic-Scope Projected Evolution (SSPE)を導入する。
SSPEは、最終クロスドメイン能力を改善し、強力なスキル進化ベースラインに対する忘れを軽減します。
これらの結果は、言語エージェントの安定かつ適応的な自己進化のための有望な原理として意味的プロジェクションを確立する。
- 参考スコア（独自算出の注目度）: 16.446374971954032
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Language-model agents increasingly rely on persistent natural-language skills to adapt beyond their frozen model parameters. When a shared skill is repeatedly revised from a non-stationary, heterogeneous task stream, however, improvements for new tasks can overwrite procedures needed for earlier ones. In continual learning, Orthogonal Gradient Descent (OGD) addresses analogous interference by projecting a new-task gradient onto a subspace that locally preserves prior predictions. Natural-language skill revisions, however, have neither gradients nor a canonical vector space in which such a projection can be performed. We introduce \emph{Semantic-Scope Projected Evolution} (SSPE), which transfers the functional principle of gradient projection from parameter space to behavior space. SSPE treats an unconstrained skill revision as a proposed update, identifies acquired capabilities with which it may interfere, and uses the observed gains and regressions to construct a compatible revision rather than merely rejecting the update. This enables one shared skill to evolve across latent and recurring task contexts without exposing semantic domain identities to the evolution model. Across controlled synthetic streams and heterogeneous real-agent benchmarks, SSPE improves final cross-domain competence and mitigates forgetting relative to strong skill-evolution baselines. The evolved skill also retains the strongest average performance after transfer to a different executor model. These results establish semantic projection as a promising principle for stable and adaptive self evolution of language agents.
- Abstract（参考訳）: 言語モデルエージェントは、凍結したモデルパラメータを超えて適応するために、永続的な自然言語スキルに依存している。
しかし、非定常な異種タスクストリームから共有スキルを繰り返すと、新しいタスクの改善は、以前のタスクに必要な手順を上書きすることができる。
連続学習において、オルソゴン勾配(英語版)(Orthogonal Gradient Descent, OGD)は、事前の予測を局所的に保存する部分空間に新しいタスク勾配を投影することで、類似した干渉に対処する。
しかし、自然言語のスキルリビジョンは、そのような射影を行うことができる勾配や標準ベクトル空間を持たない。
パラメータ空間から振舞い空間へ勾配射影の関数原理を伝達する「emph{Semantic-Scope Projected Evolution} (SSPE)」を導入する。
SSPEは、制約のないスキルリビジョンを提案されたアップデートとして扱い、それが干渉する可能性のある取得機能を特定し、観察されたゲインとレグレッションを使用して、単に更新を拒否するのではなく、互換性のあるリビジョンを構築する。
これにより、ある共有スキルは、進化モデルにセマンティックドメインのアイデンティティを公開せずに、潜在的および反復的なタスクコンテキスト間で進化することができる。
制御された合成ストリームとヘテロジニアスな実エージェントベンチマークにより、SSPEは最終クロスドメイン能力を改善し、強いスキル進化ベースラインに対する忘れを緩和する。
進化したスキルは、異なるエグゼキュータモデルへの移行後の最高平均パフォーマンスも保持する。
これらの結果は、言語エージェントの安定かつ適応的な自己進化のための有望な原理として意味的プロジェクションを確立する。
関連論文リスト
- Self-Improving Large Language Models via Progressive Experience Evolution [52.03479747358687]
textbfSPEE(textbfSelf-textbfProgressive textbfExperience textbfEvolution)を提案する。
5つの数学的推論ベンチマークの実験は、SPEEが3つのモデルスケールでテスト時間とトレーニング時間の両方の自己進化ベースラインを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2026-08-03T12:27:32Z) - Self-Evolving Spatial Reasoning in Vision Language Models via Geometric Logic Consistency [53.28076739140119]
本稿では,視覚・言語モデル(VLM)における論理的一貫性を幾何学的・言語的双対性演算によって実現する枠組みを提案する。
SAGEは、従来のGRPO法に比べてモデルに依存しず、データ効率が良く、既存のVLMに軽量な後学習段階として適用することができる。
ビデオおよび空間推論ベンチマークの実験では、強いベースラインよりも一貫した改善が示されている。
論文 参考訳（メタデータ） (2026-05-18T10:05:21Z) - HY-WU (Part I): An Extensible Functional Neural Memory Framework and An Instantiation in Text-Guided Image Editing [0.0]
メモリファースト適応フレームワークHY-WU(Weight Unleashing)を提案する。
適応圧力を1つの共有パラメータポイントの上書きから逸脱させる。
HY-WUは神経モジュールとして機能的(操作レベル)メモリを実装している。
論文 参考訳（メタデータ） (2026-03-07T14:40:05Z) - Position: Agentic Evolution is the Path to Evolving LLMs [56.733933092220845]
この制限に対処するには、新たなスケーリング軸進化が必要です。
既存の展開時適応手法では、障害を診断し、持続的な改善を生み出すために必要な戦略的機関が欠如している。
論文 参考訳（メタデータ） (2026-01-30T22:15:58Z) - HiVA: Self-organized Hierarchical Variable Agent via Goal-driven Semantic-Topological Evolution [13.440964262446558]
HiVA(Hierarchical Variable Agent)は、セマンティック・トポロジカル・エボリューション(STEV)アルゴリズムを用いて、自己組織化グラフとしてエージェントをモデル化する新しいフレームワークである。
対話、コーディング、Longcontext Q&A、数学、エージェントベンチマークの実験では、タスク精度が5～10%向上し、リソース効率が向上した。
論文 参考訳（メタデータ） (2025-08-29T18:51:18Z) - Orthogonal Projection Subspace to Aggregate Online Prior-knowledge for Continual Test-time Adaptation [67.80294336559574]
連続テスト時間適応(CTTA)は、新しいシナリオに継続的に適応するために、ソース事前訓練されたモデルを必要とするタスクである。
我々は、OoPkと呼ばれるオンライン事前知識を集約する新しいパイプラインOrthogonal Projection Subspaceを提案する。
論文 参考訳（メタデータ） (2025-06-23T18:17:39Z) - Towards Continual Learning Desiderata via HSIC-Bottleneck
Orthogonalization and Equiangular Embedding [55.107555305760954]
本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。
提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
論文 参考訳（メタデータ） (2024-01-17T09:01:29Z)
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。