論文の概要: SEDIMA: Cross-Run Hierarchical Insight Memory for Evolutionary Search Agents

• arxiv url: http://arxiv.org/abs/2610.02361v1
• Date: Thu, 01 Oct 2026 18:38:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.046643
• Title: SEDIMA: Cross-Run Hierarchical Insight Memory for Evolutionary Search Agents
• Title（参考訳）: SEDIMA:進化的検索エージェントのためのクロスラン階層的インサイトメモリ
• Abstract要約: SEDIMAは進化的検索エージェントのための永続的な階層的インサイトメモリである。 生の痕跡を自然言語の洞察に抽出し、注意重み付きセントロイドを用いて意味的類似性によってクラスタリングし、将来の突然変異を条件付けるための関連するガイダンスを取得する。 AlgoTuneでは平均5.5%、ALL-Bench LITEでは6.6%、評価候補は100である。
• 参考スコア（独自算出の注目度）: 7.626650770346068
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM)-driven evolutionary search is a powerful paradigm for automated program and algorithm discovery, yet existing systems are largely memoryless: each run explores from scratch, so agents repeatedly rediscover the same improvements and re-encounter the same dead ends. We introduce SEDIMA, a persistent hierarchical insight memory for evolutionary search agents. SEDIMA distills raw traces into natural-language insights, clusters them by semantic similarity using attention-weighted centroids, and retrieves relevant guidance to condition future mutations, accumulating transferable knowledge across runs and problems rather than within a single trajectory. As a drop-in module that leaves the search operators unmodified, SEDIMA improves average final performance by 5.5% on AlgoTune and 6.6% on ALE-Bench LITE under a fixed budget of 100 evaluated candidates. Under OpenEvolve, SEDIMA requires 32.3% fewer iterations on average to reach baseline-best performance across the five evaluated backbones.
• Abstract（参考訳）: 大規模言語モデル(LLM)による進化的探索は、自動プログラムとアルゴリズム発見の強力なパラダイムであるが、既存のシステムは大部分がメモリ不足である。 進化的検索エージェントのための永続的階層的インサイトメモリSEDIMAを紹介する。 SEDIMAは、生の痕跡を自然言語の洞察に蒸留し、注意重み付けされたセントロイドを用いて意味的類似性によってクラスタリングし、将来の突然変異を条件付け、単一の軌道内ではなく、実行と問題間で伝達可能な知識を蓄積する関連ガイダンスを検索する。 探索演算子を未修正のままにしておくドロップインモジュールとして、SEDIMAはAlgoTuneで5.5%、ALL-Bench LITEで6.6%、評価候補100の固定予算で平均的な最終性能を改善する。 OpenEvolveの下では、SEDIMAは評価された5つのバックボーンでベースラインベストのパフォーマンスに到達するために平均32.3%のイテレーションを必要とする。

関連論文リスト

• EvoArena: Tracking Memory Evolution for Robust LLM Agents in Dynamic Environments [100.23277774720928]
  EvoArenaは、端末、ソフトウェア、ソーシャルドメイン間でのプログレッシブアップデートのシーケンスとして環境変化をモデル化するベンチマークスイートである。 EvoMemは、メモリの進化を構造化された更新履歴として記録するパッチベースのメモリパラダイムである。
  論文  参考訳（メタデータ） (2026-06-11T17:59:59Z)
• RoboPhD: Evolving Diverse Complex Agents Under Tight Evaluation Budgets [0.2126018197183873]
  本稿では,エロトーナメントの選択,EPA,グリーディヒルクライミングという3つの最適化パラダイムの体系的比較について述べる。 RoboPhDは、トレーニングとバリデーションの予算を分割する代わりに、トレーニングデータにEloコンペティションを使用してエージェントを同時に評価し、進化を促進する。 我々は、さまざまな複雑なエージェントを進化させるためのシンプルなOptimation_anything() APIを使って、MITライセンスの下で汎用ツールキットとしてRoboPhDをリリースした。
  論文  参考訳（メタデータ） (2026-04-06T01:39:13Z)
• CORAL: Towards Autonomous Multi-Agent Evolution for Open-Ended Discovery [67.47220507982522]
  大規模言語モデル(LLM)ベースの進化は、オープンな発見のための有望なアプローチである。 オープンエンド問題における自律的マルチエージェント進化のための最初のフレームワークであるCORALを紹介する。 コーラルは、厳格な制御を長期にわたるエージェントに置き換え、探索し、反射し、協力する。
  論文  参考訳（メタデータ） (2026-04-02T05:59:06Z)
• From AI Assistant to AI Scientist: Autonomous Discovery of LLM-RL Algorithms with LLM Agents [51.12380889298618]
  POISEは、言語モデルのためのポリシー最適化アルゴリズムの自動発見のためのフレームワークである。 PoISEは構造化され、属学的にリンクされたアーカイブリンクの提案、実行可能な実装、標準化された評価、自然言語のリフレクションを維持している。
  論文  参考訳（メタデータ） (2026-03-25T05:19:23Z)
• EvolveSearch: An Iterative Self-Evolving Search Agent [98.18686493123785]
  大規模言語モデル(LLM)は、検索エンジンやWebブラウザなどのツールを統合することで、エージェント情報検索機能を変革した。 本研究では,SFTとRLを組み合わせた新たな反復的自己進化フレームワークであるEvolveSearchを提案する。
  論文  参考訳（メタデータ） (2025-05-28T15:50:48Z)
• s3: You Don't Need That Much Data to Train a Search Agent via RL [34.862294169425724]
  Retrieval-augmented Generation (RAG)システムでは、大規模言語モデル(LLM)が推論中に外部知識にアクセスできるようになる。 本稿では,検索者をジェネレータから切り離し,Gain Beyond RAG報酬を用いて検索者を訓練する,軽量でモデルに依存しないフレームワークであるs3を提案する。
  論文  参考訳（メタデータ） (2025-05-20T09:53:56Z)
• Inception Convolution with Efficient Dilation Search [121.41030859447487]
  拡散畳み込みは、効果的な受容場を制御し、オブジェクトの大規模な分散を処理するための標準的な畳み込みニューラルネットワークの重要な変異体である。 そこで我々は,異なる軸,チャネル,層間の独立な拡散を有する拡張畳み込みの新たな変異体,すなわち開始(拡張)畳み込みを提案する。 本稿では,データに複雑なインセプション・コンボリューションを適合させる実用的な手法を探索し,統計的最適化に基づく簡易かつ効果的な拡張探索アルゴリズム(EDO)を開発した。
  論文  参考訳（メタデータ） (2020-12-25T14:58:35Z)

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。