論文の概要: Generative Adversarial Loops

• arxiv url: http://arxiv.org/abs/2610.11458v1
• Date: Thu, 08 Oct 2026 08:11:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.884184
• Title: Generative Adversarial Loops
• Title（参考訳）: 生成的対向ループ
• Abstract要約: 本稿では,2つのエージェント検索を交互に行うジェネレータ・ディスクリミネータ・フレームワークであるGenerative Adversarial Loop (GAL)を提案する。 GALでは、現在のアルゴリズムの弱点を継続的に検索することでゴールポスト設定を自動化する識別エージェントを導入している。 GALは自律的な改善を可能にし、新たに発見されたアルゴリズムは、逆生成データだけでなく、確立されたベンチマークでも改善される。
• 参考スコア（独自算出の注目度）: 7.199197777593029
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: AI research progress can be viewed as the interaction between two processes: benchmark creation and method discovery. Historically, both were driven by human intelligence. However, recent advances in AI have accelerated automated method discovery, while automated benchmark creation has received comparatively less attention. To enable self-advancing systems, we propose Generative Adversarial Loop (GAL), a generator-discriminator framework alternating between two agentic searches: (1) a discriminator that generates adversarial data to expose weaknesses in current systems, and (2) a generator that discovers algorithms to overcome them. We apply this framework to approximation algorithms for efficient inference. Unlike existing auto research systems, which primarily focus on algorithm discovery, GAL introduces a discriminator agent that automates goalpost setting by continually searching for weaknesses in the current algorithm. We demonstrate adversarial data generation across four tasks: KV compression, sparse video generation, sparse attention, and context extension, where the discriminator identifies weaknesses in state of the art techniques. We further show that GAL enables autonomous improvement, with newly discovered algorithms improving not only on adversarially generated data, but also on established benchmarks. Specifically, GAL improves CompactorPress on KV compression with Qwen3-4B at 4x, raising performance on the discriminator dataset from 0.35 to 0.97, while also outperforming RULER-HARD (+0.77 pts). For context extension, GAL boosts Dual Chunk Attention from 0.20 to 0.90 on the discriminator dataset, while yielding gains on standard benchmarks(ScienceFiction (+6 pts) and PG19 32K (-0.33 PPL)). GAL thus provides a path toward autonomous goalpost setting and algorithmic improvement, where AI systems continually discover their own weaknesses and develop methods to overcome them.
• Abstract（参考訳）: AI研究の進歩は、ベンチマーク作成とメソッド発見の2つのプロセス間の相互作用と見なすことができる。 歴史的には、両者は人間の知性によって駆動されていた。 しかし、最近のAIの進歩は自動メソッド発見を加速し、自動ベンチマーク生成は比較的あまり注目されていない。 自己アドバンスシステムを実現するために,提案するジェネレータ・ディミネータ・フレームワークであるジェネレータ・ディミネータ・ループ(GAL)を提案する。 このフレームワークを効率的な推論のための近似アルゴリズムに適用する。 アルゴリズム発見に重点を置いている既存のオートリサーチシステムとは異なり、GALでは、現在のアルゴリズムの弱点を継続的に探すことでゴールポスト設定を自動化する識別エージェントを導入している。 KV圧縮、スパースビデオ生成、スパースアテンション、コンテキスト拡張の4つのタスクにまたがる逆データ生成を示す。 さらに、GALは、新たに発見されたアルゴリズムにより、逆生成データだけでなく、確立されたベンチマーク上でも、自律的な改善を可能にすることを示す。 具体的には、GALはQwen3-4BによるKV圧縮のCompactorPressを4倍に改善し、識別器データセットのパフォーマンスを0.35から0.97に引き上げ、RULER-HARD(+0.77 pts)を上回った。 コンテキスト拡張では、GALはDual Chunk Attentionをディミネータデータセットで0.20から0.90に引き上げ、標準ベンチマーク(ScienceFiction (+6 pts)とPG19 32K (-0.33 PPL)でゲインを得る。 GALは、自律的なゴールポスト設定とアルゴリズム改善への道を提供し、AIシステムは、自身の弱点を継続的に発見し、それを克服するための方法を開発する。

関連論文リスト

• G2VD: Generalizable AI-Generated Video Detection via Counterfactual Intervention and Causal Disentanglement [9.616281293383684]
  対実的介入と因果的絡み合いに基づく一般化可能なAI生成ビデオ検出フレームワーク。 G2VDは、一致したバックボーンよりも高い平均クロスドメインパフォーマンスと一貫したゲインを示す。 この性能は、元のトレーニングデータの10%だけを用いて得られる。
  論文  参考訳（メタデータ） (2026-07-06T02:25:18Z)
• Synergistic Directed Execution and LLM-Driven Analysis for Zero-Day AI-Generated Malware Detection [0.12891210250935145]
  自動マルウェア生成のためのLLMのウェポン化は、従来の検出パラダイムに現実的な脅威をもたらす。 本稿では,エスココール実行とエンフディープ学習に基づく脆弱性分類を組み合わせた,新しいハイブリッド分析フレームワークを提案する。 2,500 LLM合成サンプルからなるベンチマークでは、従来のマルウェアでは98.7%、AIによる脅威では97.5%の精度が達成されている。
  論文  参考訳（メタデータ） (2026-03-10T00:25:41Z)
• Refining Decision Boundaries In Anomaly Detection Using Similarity Search Within the Feature Space [3.3202103799131795]
  SDA2E(Sparse Dual Adversarial Attention-based AutoEncoder)を導入する。 本稿では,意思決定境界を効率的に洗練するための3つの新しい戦略を統合した類似性誘導型アクティブラーニングフレームワークを提案する。 SDA2Eは、複数のDARPAトランスペアレントコンピューティングシナリオを含む52の不均衡データセットにわたって広範囲に評価し、15の最先端の異常検出手法と比較した。
  論文  参考訳（メタデータ） (2026-02-02T23:55:08Z)
• Barbarians at the Gate: How AI is Upending Systems Research [58.95406995634148]
  システム研究は、新しいパフォーマンス指向アルゴリズムの設計と評価に長年注力してきたが、AI駆動のソリューション発見には特に適している、と私たちは主張する。 このアプローチをAI駆動システム研究(ADRS)と呼び、ソリューションを反復的に生成し、評価し、洗練する。 我々の研究結果は、AI時代のシステム研究の実践に急激な適応の必要性と破壊的な可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-10-07T17:49:24Z)
• Benchmarking Fraud Detectors on Private Graph Data [70.4654745317714]
  現在、多くの種類の不正は、グラフ上で動く自動検出アルゴリズムによって部分的に管理されている。 データ保有者が不正検知器の開発を第三者にアウトソースしようとするシナリオを考察する。 サードパーティは、不正検出をデータ保持者に送信し、これらのアルゴリズムをプライベートデータセットで評価し、その結果を公表する。 本システムに対する現実的なプライバシ攻撃を提案し,評価結果のみに基づいて個人データの匿名化を可能にする。
  論文  参考訳（メタデータ） (2025-07-30T03:20:15Z)
• Sparse-Inductive Generative Adversarial Hashing for Nearest Neighbor Search [8.020530603813416]
  本稿では,Sparsity-induced Generative Adversarial Hashing (SiGAH)と呼ばれる新しい教師なしハッシュ法を提案する。 SiGAHは、大規模な高次元特徴をバイナリコードにエンコードする。 Tiny100K、GIST1M、Deep1M、MNISTの4つのベンチマーク実験の結果、提案されたSiGAHは最先端のアプローチよりも優れた性能を示している。
  論文  参考訳（メタデータ） (2023-06-12T08:07:23Z)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
  教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。 Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。 4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-23T13:16:34Z)

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。