論文の概要: EVISKILL: Grounding Skill Evolution in Replayable Evidence
- arxiv url: http://arxiv.org/abs/2610.05030v1
- Date: Sun, 04 Oct 2026 07:50:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-11 06:55:23.970165
- Title: EVISKILL: Grounding Skill Evolution in Replayable Evidence
- Title（参考訳）: EVISKILL:再生可能なエビデンスにおけるグラウンドングスキルの進化
- Abstract要約: 本稿では,スキル進化のためのエビデンス駆動フレームワークEVISKILLを紹介する。
実行観察を再生可能なエビデンスカードに整理し、サポートするコンテキストへの明示的なリンクで編集を合成する。
EVISKILLは証拠を保存し、さらなる改良のためにサポートされた編集を暫定的に保持する。
- 参考スコア（独自算出の注目度）: 17.158295760814443
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Continual skill evolution enables LLM agents to accumulate and refine reusable procedural knowledge from interaction experience without updating model parameters. Its effectiveness depends on determining not only what to change, but also why a change is justified and when it should become persistent guidance. However, existing experience-driven methods can lose the behavioral evidence and task contexts supporting edits. Moreover, a global validation outcome provides an incomplete judgment of its constituent changes: locally supported corrections may be discarded with a rejected revision, while evidence may require further experience to inform useful updates. To this end, we introduce EVISKILL, an evidence-driven framework that organizes execution observations into Replayable Evidence Cards and synthesizes edits with explicit links to their supporting contexts. Targeted replay verifies these edits through re-execution and provides feedback for correction. Across epochs, EVISKILL preserves evidence and provisionally retains supported edits for further refinement, while global validation governs their incorporation into the final skill. Experiments on three interactive benchmarks across six LLM backbones demonstrate the effectiveness of this approach.
- Abstract（参考訳）: 継続的なスキル進化により、LLMエージェントはモデルパラメータを更新することなく、相互作用経験から再利用可能な手続き的知識を蓄積し、洗練することができる。
その効果は、変更すべきことだけでなく、なぜ変更が正当化され、いつ永続的なガイダンスになるべきかを決定することに依存する。
しかし、既存の経験駆動手法は、編集をサポートする行動証拠やタスクコンテキストを失う可能性がある。
さらに、グローバルな検証結果は、その構成的変更の不完全な判断を提供する: ローカルにサポートされた修正は、拒否された修正で破棄され、証拠は、有益な更新を伝えるためにさらなる経験を必要とする可能性がある。
この目的のためにEVISKILLは,実行観察を再現可能なエビデンスカードに整理するエビデンス駆動フレームワークである。
ターゲットリプレイは、再実行を通じてこれらの編集を確認し、修正のためのフィードバックを提供する。
EVISKILLはエビデンスを保持し、さらなる改良のためにサポートされた編集を暫定的に保持する一方、グローバルな検証は最終技術への組み入れを統制する。
6つのLDMバックボーンにまたがる3つのインタラクティブベンチマーク実験は、このアプローチの有効性を実証している。
関連論文リスト
- Credit-Guided Policy Improvement for Test-time Adaptive Vision-Language Navigation [53.30116823667751]
視覚言語ナビゲーションのためのテスト時適応(TTA-VLN)により、事前訓練されたポリシーは、目に見えない環境にオンラインで適応できる。
分散シフトは、局所的な行動選好を歪め、オフコース決定につながる可能性がある。
我々は,行動誘発観察遷移から署名付き参照関連決定クレジットを回収する信用誘導政策改善(CGPI)を提案する。
論文 参考訳（メタデータ） (2026-09-29T13:46:11Z) - Evaluating and Improving Evidence-Grounded Fact-Checking in LLMs via Multi-Round Evidence Ablation [28.999694748110404]
市販のファクトチェックシステムは、提供された証拠よりもパラメトリックな知識に依存していることを示す。
本稿では,証拠に依存した検証を促進するトレーニングフレームワークであるREAL(Rigorous Evidence Ablation Learning)を提案する。
以上の結果から,強い事実チェック性能と弱い証拠依存性が共存する可能性が示唆された。
論文 参考訳（メタデータ） (2026-09-08T16:04:20Z) - Safety in Self-Evolving Agents: A Survey [65.20955577335691]
大きな言語モデル(LLM)は強力な汎用能力を示すが、そのパラメータは通常、デプロイ後に固定され、新しいインタラクションからの学習が制限される。
経験が再利用可能な状態になり、過去の出来事が将来の原因になり、ある文脈で無害な情報が後により大きな永続性、権威、あるいは範囲で決定に影響を与える可能性がある。
私たちは、再利用可能な影響を特定する移行中心のフレームワークであるSAVERを導入し、Adaptationは変更の仕方を捉え、Violationは破損した安全属性を特定し、障害が観測可能な露出マークを識別し、Responseは封じ込め、修復、取り消しを評価します。
論文 参考訳（メタデータ） (2026-09-08T05:04:40Z) - From Trajectories to Evidence: Auditable Experimental Records for Industrial Research Agents [47.678562263387214]
研究エージェントは、産業レコメンデーション設定において、多段階の機械学習実験をますます実施している。
生成されたアーティファクトは、サポートされないか、不完全かもしれないし、実行されたラウンドは無効かもしれないし、あるいは廃止されるかもしれないし、後の修正は、以前の発見を曖昧にするかもしれない。
本稿では,連続的アーティファクトのバウンダリ検証と実行後のクレーム資格を結合するエビデンス・グラウンド・フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-05T13:37:38Z) - Knowledgeless Language Models: Suppressing Parametric Recall for Evidence-Grounded Language Modeling [21.14539989233461]
知識--'Less''' Language Models (KLLMs)
KLLMは、名前付きエンティティが匿名化されたコーパスで事前訓練される。
我々は,KLLMがパラメトリック知識に頼らず,外部証拠に頼らず,現実的な条件下での信頼性の向上につながることを示した。
論文 参考訳（メタデータ） (2026-07-14T14:48:53Z) - FRESCO: Benchmarking and Optimizing Re-rankers for Evolving Semantic Conflict in Retrieval-Augmented Generation [73.22935457705057]
時間的動的文脈における再ランカ評価のためのベンチマークであるFRESCOを紹介する。
レクエンシ検索クエリと過去のウィキペディアのリビジョンを組み合わせることで、FRESCOは、セマンティックな関連性を維持しながら、リランカが事実として最新の証拠を優先順位付けできるかどうかをテストする。
我々の評価では、既存の再ランカ間で一貫した障害モードが明らかになっている。
論文 参考訳（メタデータ） (2026-04-14T17:04:25Z) - PAVE: Premise-Aware Validation and Editing for Retrieval-Augmented LLMs [8.082352336629816]
PAVEは、根拠に基づく質問応答のための推論時検証層である。
検索されたコンテキストを質問条件のアトミックな事実に分解し、回答をドラフトし、抽出された前提によってそのドラフトがどの程度うまくサポートされているかをスコアし、ファイナライズ前に低サポート出力を更新する。
論文 参考訳（メタデータ） (2026-03-21T06:23:21Z) - REFLEX: Self-Refining Explainable Fact-Checking via Disentangling Truth into Style and Substance [14.932352020762991]
本稿ではReason-Guided Fact-checking with Latent Explanations REFLEX paradigmを提案する。
バックボーンモデルの内部知識を活用して、検証精度と説明品質の両方を改善する、プラグアンドプレイの自己修正パラダイムである。
自己修正されたトレーニングサンプルはわずか465で、RELFEXは最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-11-25T12:06:23Z) - Towards Real-Time Fake News Detection under Evidence Scarcity [66.58597356379907]
本稿では,リアルタイムフェイクニュース検出のための新しいフレームワークである評価アウェア・セレクション・オブ・エキスパートズ(EASE)を提案する。
EASEは、利用可能な証拠の十分性を評価した意思決定プロセスに適合する。
本稿では,新興ニュースのモデル一般化を限られた証拠で評価するための新しいベンチマークであるRealTimeNews-25を紹介する。
論文 参考訳（メタデータ） (2025-10-13T11:11:46Z) - ReVISE: Learning to Refine at Test-Time via Intrinsic Self-Verification [53.80183105328448]
Refine via Intrinsic Self-Verification (ReVISE)は、LLMが自己検証を通じてアウトプットを自己修正できる効率的なフレームワークである。
様々な推論タスクに関する実験により、ReVISEは効率的な自己補正を実現し、推論性能を大幅に向上することを示した。
論文 参考訳（メタデータ） (2025-02-20T13:50:02Z)
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。