論文の概要: EvoGen-Harness: Learning Where and How to Evolve Image-Generation Harnesses
- arxiv url: http://arxiv.org/abs/2610.00383v1
- Date: Wed, 30 Sep 2026 09:30:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.628789
- Title: EvoGen-Harness: Learning Where and How to Evolve Image-Generation Harnesses
- Title（参考訳）: EvoGen-Harness: 画像生成のハーネスを回避するための場所と方法を学ぶ
- Abstract要約: EvoGen-Harnessは、マルチ責任画像生成のためのジェネレータに依存しないフレームワークである。
非パッチとホールドアウトのバリデーションは、不要または有害な更新を防ぐ。
GenEval2、T2I-CompBench++、WISE全体で、EvoGen-Harnessは、最も評価の高いベースラインを+0.2633、+0.0720、+0.0752で改善している。
- 参考スコア（独自算出の注目度）: 13.90368994038833
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern text-to-image (T2I) systems can be improved without modifying generator parameters by adapting the external system around frozen generators. However, existing approaches typically optimize a predefined dimension, such as prompts, routing, or workflows, restricting the space in which generation failures can be corrected. Allowing multiple generator-external responsibilities to evolve provides a broader adaptation space, but introduces a new challenge: visual feedback reveals what failed, but not where persistent evolution should occur or how this space should be explored efficiently. We introduce EvoGen-Harness, a generator-agnostic framework for multi-responsibility image-generation harness evolution, together with Trace (Trajectory-Relative Attribution and Coordinated Evolution). Trace aggregates evidence across stochastic executions, uses failure attribution as a search prior to focus candidate updates, and progressively re-attributes residual failures to coordinate evolution across responsibilities, while No-Patch and held-out validation prevent unnecessary or harmful updates. Across GenEval2, T2I-CompBench++, and WISE, EvoGen-Harness improves over the strongest evaluated baselines by +0.2633, +0.0720, and +0.0752, respectively, while achieving 87.9-91.4% attribution recall, 94.8% No-Patch accuracy, and only 1.9% regression. These results demonstrate that attribution-guided multi-responsibility evolution can substantially enhance frozen T2I systems beyond single-dimension adaptation.
- Abstract（参考訳）: 現代のテキスト・トゥ・イメージ(T2I)システムは、冷凍発電機の周りに外部システムを適用することで、ジェネレータパラメータを変更することなく改善することができる。
しかしながら、既存のアプローチは一般的に、プロンプトやルーティング、ワークフローなど、事前に定義された次元を最適化し、生成障害を修正するスペースを制限する。
進化のための複数のジェネレータ・外部責任を認めることは、より広い適応空間を提供するが、新しい挑戦をもたらす: 視覚的フィードバックは、何が失敗したかを明らかにするが、永続的な進化が起こるべき場所や、この空間を効率的に探索する方法は示さない。
本稿では,多責任画像生成のためのジェネレータ非依存フレームワークであるEvoGen-HarnessとTrace(Trajectory-Relative Attribution and Coordinated Evolution)を紹介する。
トレースは確率的実行にまたがってエビデンスを集約し、候補更新にフォーカスする前に障害属性を検索として使用し、責任間の進化を調整するための残留障害を段階的に再帰し、No-PatchとFold-outバリデーションは不必要または有害な更新を防ぐ。
GenEval2、T2I-CompBench++、WISE全体で、EvoGen-Harnessは、最大評価ベースラインである+0.2633、+0.0720、+0.0752をそれぞれ改善し、87.9-91.4%の属性リコール、94.8%のNo-Patch精度、わずか1.9%の回帰率を達成した。
これらの結果から, 帰属誘導型多責任進化は, 単次元適応以上の凍結したT2I系を著しく向上させる可能性が示唆された。
関連論文リスト
- SkillEvoLean: Mutation-enhanced skill evolution for Lean provers [2.333676964568035]
スキル強化型リーンプローバー構築のための変異強化型スキル自己進化フレームワークを提案する。
我々は,MiniF2F,PatnamBench,2025 International Mathematical Olympiad (IMO 2025),および2026 USA Mathematical Olympiad (USAMO 2026)について検討した。
論文 参考訳（メタデータ） (2026-10-01T14:42:54Z) - Self-Evolving Memory for Generative Recommendation [100.15207958893029]
生成的レコメンデーションは、パーソナライズされたレコメンデーションのための有望なエンドツーエンドパラダイムとして登場した。
継続的再訓練や蒸留に基づく適応といった既存の進化戦略は、共有モデルパラメータを直接更新する。
本稿では,異種行動パターン間の効果的な進化を実現することを目的とした,自己進化型メモリパラダイムを提案する。
論文 参考訳（メタデータ） (2026-09-14T14:00:38Z) - ReqEvolve: User-Oriented Software Self-Evolution through Automatic Requirement Interpretation [0.9545634257240071]
本稿では、ユーザ主導の自己進化を可能にするランタイムコード生成システムであるReqEvolveを紹介する。
我々は18プロジェクトにわたる72のソフトウェア進化事例についてReqEvolveを評価した。
論文 参考訳（メタデータ） (2026-09-06T18:04:17Z) - EVOHARNESSBENCH: Can Your Agents Keep Pace with an Evolving Harness? [83.21711423118768]
EVOHARNESSBENCHは、制御されたハーネス進化下でエージェントを評価するためのベンチマークである。
検証器ベースのベンチマークから決定的に構築された17のマルチステージハーネスストリームを含んでいる。
論文 参考訳（メタデータ） (2026-09-03T03:24:02Z) - HarnessEvolve: Learning from Reference Trajectories for Reliable Agent Self-Evolution [11.431479238875712]
我々は、信頼できるエージェントの自己進化を実現するために、参照軌道から学習する自己進化フレームワークであるHarnessEvolveを紹介する。
私たちは、さまざまなモデルとエージェントフレームワークを使用して、オープンドメインとエンタープライズシナリオにまたがるいくつかのベンチマークで広範な実験を行います。
結果は、HarnessEvolveがすべてのベンチマークと設定で、最先端の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） (2026-09-01T07:31:18Z) - Agentic Harness Engineering: Observability-Driven Automatic Evolution of Coding-Agent Harnesses [57.20181537213498]
Agentic Harness Engineering (AHE)は、ハーネスエンジニアリングを自動化するクローズドループである。
AHEは3つの一致した可観測性柱を通じて課題に対処する。
10 AHE lift pass@1 on Terminal-Bench 2 from 69.7% to 77.0%。
SWE-bench-verifiedでは、種子よりも12%少ないトークンで合計成功率を上回り、ターミナルベンチ2では+5.1から+10.1ppのクロスファミリーゲインを得る。
論文 参考訳（メタデータ） (2026-04-28T16:55:02Z) - AdaExplore: Failure-Driven Adaptation and Diversity-Preserving Search for Efficient Kernel Generation [59.964989458924585]
AdaExploreは、パフォーマンスクリティカルなカーネルコード生成のための蓄積された実行フィードバックによる自己改善を可能にするエージェントフレームワークである。
適応段階では、エージェントはタスクを合成し、繰り返し発生する障害を有効ルールの再利用可能なメモリに変換する。
探索段階では、候補核を木として整理し、小さな局所精製とより大きな構造再生を交互に行う。
論文 参考訳（メタデータ） (2026-04-17T18:25:03Z) - EvoForest: A Novel Machine-Learning Paradigm via Open-Ended Evolution of Computational Graphs [2.7010154811483162]
本稿では,計算のエンドツーエンドな進化のためのハイブリッド型ニューロシンボリックシステムであるEvoForestを紹介する。
単に機能を生成するのではなく、EvoForestは再利用可能な計算構造、呼び出し可能な関数ファミリー、トレーニング可能な低次元連続コンポーネントを共同で進化させる。
各グラフ構成について、EvoForestは発見された計算を評価し、軽量のリッジベースの読み出しを使用して結果の表現をスコアする。
論文 参考訳（メタデータ） (2026-03-26T00:07:45Z) - Gated Adaptation for Continual Learning in Human Activity Recognition [4.252135605345159]
AIモデルは、しばしば破滅的な忘れ込みを示し、新しいタスクを学ぶことは、以前のタスクのパフォーマンスを低下させる。
凍結した事前学習表現のチャネルワイドゲート変調に基づくパラメータ効率の連続学習フレームワークを提案する。
我々のアプローチでは、忘れを39.7%から16.2%に減らし、最終精度を56.7%から77.7%に改善する一方で、パラメータの2%未満のトレーニングを行っている。
論文 参考訳（メタデータ） (2026-03-08T18:34:42Z)
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。