論文の概要: SkillGATE: Gate-Aware Monte Carlo Tree Search for Skill Retrieval

• arxiv url: http://arxiv.org/abs/2610.05489v1
• Date: Sun, 04 Oct 2026 19:57:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 13:26:21.442631
• Title: SkillGATE: Gate-Aware Monte Carlo Tree Search for Skill Retrieval
• Title（参考訳）: SkillGate: スキル検索のためのゲート対応モンテカルロツリー検索
• Abstract要約: Skill Retrieval (SR)は、外部スキルライブラリから最も関連性の高いスキルを特定することを目的としている。 我々は,Gate-Aware Monte Carlo Tree Search (MCTS)を用いたグラフ誘導階層検索フレームワークであるSkillGATEを提案する。 6つのSRベンチマークの実験では、SkillGATEは多様な検索を改善し、バックボーンを再ランク付けする。
• 参考スコア（独自算出の注目度）: 42.75089561491288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Skill Retrieval (SR) aims to identify the most relevant skills from external skill libraries, and becomes increasingly challenging as libraries grow in scale and diversity. Existing methods either rank skills independently or rely on predefined graph propagation and hierarchical routing, making them vulnerable to semantic distractors, local trapping, and early routing errors. We formulate SR as an adaptive information-foraging process that coordinates region-level navigation with skill-level selection according to the utility and uncertainty observed during search. Based on this formulation, we propose SkillGATE, a graph-guided hierarchical retrieval framework with Gate-Aware Monte Carlo Tree Search (MCTS). SkillGATE constructs a graph-preserving hierarchical index and performs adaptive retrieval through selection, expansion, simulation, and backpropagation. G-PUCT guides action selection, expansion explores new regions, simulation evaluates candidate skills, and backpropagation updates search statistics. Experiments on six SR benchmarks show that SkillGATE consistently improves diverse retrieval and reranking backbones, achieving a 16.3\% improvement in overall R@1 over the strongest retriever-based baseline. Our code is available at https://github.com/Edwinbe/SkillGATE-v1/.
• Abstract（参考訳）: Skill Retrieval(SR)は、外部スキルライブラリから最も関連性の高いスキルを識別することを目的としており、ライブラリの規模と多様性が拡大するにつれて、ますます困難になっている。 既存のメソッドは、スキルを独立してランク付けするか、事前に定義されたグラフの伝搬と階層的なルーティングに依存しているため、セマンティックなイントラクタやローカルなトラップ、早期のルーティングエラーに対して脆弱である。 本研究では,地域レベルのナビゲーションとスキルレベルの選択を,探索中に観測された有用性と不確実性に応じて調整する適応型情報収集プロセスとしてSRを定式化する。 この定式化に基づいて,Gate-Aware Monte Carlo Tree Search (MCTS) を用いたグラフ誘導階層検索フレームワークであるSkillGATEを提案する。 SkillGATEはグラフ保存階層インデックスを構築し、選択、拡張、シミュレーション、バックプロパゲーションを通じて適応的な検索を行う。 G-PUCTは行動選択をガイドし、新しい領域を探索し、シミュレーションで候補スキルを評価し、バックプロパゲーションが検索統計を更新する。 6つのSRベンチマークの実験では、SkillGATEは多様な検索とバックボーンの再配置を一貫して改善し、R@1全体の16.3倍の改善を実現している。 私たちのコードはhttps://github.com/Edwinbe/SkillGATE-v1/で利用可能です。

関連論文リスト

• CaSKG: Counterfactual-Causal Skill Graphs for Scalable Agent Skill Retrieval [20.44841712209369]
  CaSKGは、検索前に手続き関係を校正するスキルグラフフレームワークである。 モデルとベンチマークの12つの組み合わせの中で、最も高いタスクスコアを達成します。
  論文  参考訳（メタデータ） (2026-08-26T08:12:41Z)
• 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)
• SkillRL: Evolving Agents via Recursive Skill-Augmented Reinforcement Learning [83.98129545309277]
  生経験と政策改善のギャップを埋めるフレームワークであるSkillRLを提案する。 本手法では,階層型スキルライブラリであるSkillBankを構築するために,経験に基づく蒸留機構を導入する。 ALF、WebShop、および7つの検索強化タスクの実験結果は、SkillRLが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-02-09T03:17:17Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• Improving Monte Carlo Tree Search for Symbolic Regression [13.641201012951356]
  記号回帰は、望ましい目的を満たす簡潔で解釈可能な数学的表現を見つけることを目的としている。 2つの重要な革新を通じてこれらの制限に対処するシンボリックレグレッションのための改良されたフレームワークを提案する。 本手法は, 回復率の観点から, 最先端ライブラリと競合する性能を達成し, 精度とモデル複雑性の両面において良好な位置を占める。
  論文  参考訳（メタデータ） (2025-09-19T12:36:05Z)
• DAMR: Efficient and Adaptive Context-Aware Knowledge Graph Question Answering with LLM-Guided MCTS [28.828541350757714]
  本稿では,知識グラフ質問応答(KGQA)のための動的適応MCTSベースの推論(DAMR)を提案する。 DAMRは、MCTS(Monte Carlo Tree Search)と適応経路評価を統合し、コンテキスト対応のKGQAを実現する。 複数のKGQAベンチマークの実験では、DAMRはSOTA法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-08-01T15:38:21Z)
• QCG-Rerank: Chunks Graph Rerank with Query Expansion in Retrieval-Augmented LLMs for Tourism Domain [5.652209612560521]
  大規模言語モデルにおける幻覚を緩和するQCG-Rerankモデルを提案する。 我々は,Cultour,IIRC,StrategyQA,HotpotQA,SQuAD,MuSiQueデータセットのモデルを評価する。
  論文  参考訳（メタデータ） (2024-11-04T08:15:22Z)
• Gait Recognition in the Wild: A Large-scale Benchmark and NAS-based Baseline [95.88825497452716]
  歩行ベンチマークにより、研究コミュニティは高性能歩行認識システムの訓練と評価を行うことができる。 GREWは、野生における歩行認識のための最初の大規模データセットである。 SPOSGaitはNASベースの最初の歩行認識モデルである。
  論文  参考訳（メタデータ） (2022-05-05T14:57:39Z)

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。