論文の概要: EvoAlloc: A Self-Evolving Resource Allocation Agent for Efficient Program Evolution

• arxiv url: http://arxiv.org/abs/2610.12086v1
• Date: Thu, 08 Oct 2026 14:57:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.086506
• Title: EvoAlloc: A Self-Evolving Resource Allocation Agent for Efficient Program Evolution
• Title（参考訳）: EvoAlloc: 効率的なプログラム進化のための自己進化型リソース割り当てエージェント
• Abstract要約: EvoAllocは自己進化型のリソース割り当てエージェントで、検索経験から学び、候補間で計算リソースを割り当てる戦略を改訂する。 コーディングとエージェントハーネス最適化のベンチマーク全体で、EvoAllocは59～82%の完全な評価と61～89%の総LLMトークンをベースラインレベルのパフォーマンスに到達させる必要がある。
• 参考スコア（独自算出の注目度）: 28.237616289134333
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM-based program evolution relies on evaluation feedback to guide the iterative search for high-performing programs. However, evaluation is often computationally expensive, making it essential to allocate limited resources to candidates that can most effectively advance the search. Existing LLM-based methods typically rely on fixed allocation strategies throughout the search, potentially wasting resources on low-value candidates while overlooking promising ones. We propose EvoAlloc, a self-evolving resource-allocation agent that learns from search experience to revise its strategy for allocating computational resources across candidates. EvoAlloc periodically consolidates prior search and allocation outcomes into reusable experience, which informs subsequent strategy revisions. It further uses a counterfactual exploration mechanism to occasionally evaluate candidates denied resources by the allocator, revealing their outcomes to enrich its experience for future strategy updates. Across coding and agent-harness optimization benchmarks, EvoAlloc requires 59-82% fewer full evaluations and 61-89% fewer total LLM tokens to reach baseline-level performance. Moreover, under the same full-evaluation budget, EvoAlloc achieves 8.7-12.0% higher final performance.
• Abstract（参考訳）: LLMベースのプログラム進化は、ハイパフォーマンスなプログラムの反復探索を誘導する評価フィードバックに依存している。 しかし、評価はしばしば計算コストが高く、探索を最も効果的に進める候補に限られた資源を割り当てることが不可欠である。 既存のLCMベースの手法は、通常、検索全体を通して固定配置戦略に依存しており、期待できるものを見落としながら、低い値候補のリソースを浪費する可能性がある。 EvoAllocは,検索経験から学習した自己進化型資源割当エージェントで,候補をまたいだ計算資源割当戦略を改訂する。 EvoAllocは定期的に事前検索と割り当ての結果を再利用可能なエクスペリエンスに集約し、その後の戦略修正を通知する。 さらに、アロケータによって否定されたリソースを時々評価するために、反事実探索機構を使用し、将来の戦略更新のためにその経験を豊かにする結果を明らかにしている。 コーディングとエージェントハーネス最適化のベンチマーク全体で、EvoAllocは59～82%の完全な評価と61～89%の総LLMトークンをベースラインレベルのパフォーマンスに到達させる必要がある。 さらに、同じフル評価予算の下で、EvoAllocは8.7-12.0%のファイナルパフォーマンスを達成する。

関連論文リスト

• BRIDGE: Bilevel Retrieval-Credit-Aware Agentic Reinforcement Learning [59.49887982510668]
  検証可能な報酬を持つエージェント強化学習(ARL)は、知識集約的なタスクに対処する大規模言語モデル(LLM)の能力を向上させる。 本稿では,RLのロスランドスケープ解析と検索目的を動機とした,メモリ効率のよい一階二階法BRIDGEを紹介する。 3Bと7Bのバックボーンで最高の平均精度を達成し、最強のベースライン上でのマルチホップ平均をそれぞれ9.6と3.4のEMポイントで改善した。
  論文  参考訳（メタデータ） (2026-09-29T01:59:03Z)
• Janus: An Algorithm-Evaluator Co-Evolution Framework for LLM-Driven Discovery under Expensive Evaluation Budgets [56.93233495754078]
  我々は、LLMを使ってターゲットプログラムと実行可能なプロキシ評価器を共同開発するフレームワークであるJanusを紹介する。 ラベル不足に対処するため、JanusはLLMに符号化されたドメイン知識を活用してタスク固有の評価プログラムを生成する。 流通シフトを軽減するため、Janusはターゲットプログラムと並行して評価器を進化させ、プロモーション対応の目標を使ってそれらを選択し、地域条件のポートフォリオを維持する。
  論文  参考訳（メタデータ） (2026-08-08T15:31:12Z)
• Enhancing LLM-based Search Agents via Contribution Weighted Group Relative Policy Optimization [47.7937991619078]
  本稿では,プロセスの監督をグループ相対的な政策最適化に統合するフレームワークであるコントリビューション重み付きGRPOを提案する。 CW-GRPOは、LLM判定器を用いて、検索ラウンド毎の検索ユーティリティと推論精度を評価し、ラウンド毎のコントリビューションスコアを生成する。 複数の知識集約型ベンチマークの実験では、CW-GRPOはQwen3-8Bでは5.0%、Qwen3-1.7Bでは6.3%、標準GRPOより優れていた。
  論文  参考訳（メタデータ） (2026-04-15T17:37:59Z)
• 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)
• Monte Carlo Tree Search Boosts Reasoning via Iterative Preference Learning [55.96599486604344]
  本稿では,Large Language Models (LLMs) の推論能力向上を目的とした,反復的な選好学習プロセスによるアプローチを提案する。 我々は、MCTS(Monte Carlo Tree Search)を用いて好みデータを反復的に収集し、そのルックアヘッド機能を利用して、インスタンスレベルの報酬をよりきめ細かいステップレベルの信号に分解する。 提案アルゴリズムはDPO(Direct Preference Optimization)を用いて,新たに生成されたステップレベルの優先度データを用いてLCMポリシーを更新する。
  論文  参考訳（メタデータ） (2024-05-01T11:10:24Z)

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。