論文の概要: Know What You Don't Know: Agentic Data Synthesis by Evolving Generation Space for Closed-Loop Learning

• arxiv url: http://arxiv.org/abs/2610.12593v1
• Date: Thu, 08 Oct 2026 18:17:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.244789
• Title: Know What You Don't Know: Agentic Data Synthesis by Evolving Generation Space for Closed-Loop Learning
• Title（参考訳）: 知らないことを知る:クローズドループ学習のための生成空間の進化によるエージェントデータ合成
• Abstract要約: EvoSynは学習フィードバック駆動のフレームワークで、変更可能な状態の周りに合成を整理する。 ロール特化マルチエージェントシステムは学習者のフィードバックを合成リビジョンに変換する。 デザイナは合成方向を割り当て、プランナーはそれらを実行可能なエクスペリエンスにグラウンドする。
• 参考スコア（独自算出の注目度）: 25.707563927145557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The continued improvement of large language models increasingly depends on synthetic experience, yet effective data synthesis for interactive agents requires not only executable and verifiable trajectories, but also interactions that provide learning value for the current task agent. Existing methods increasingly incorporate environment feedback, data validation, or learner failures, but still face a feedback-to-decision gap: observed weaknesses do not directly specify how future synthesis should change, or whether they can be represented by the current synthesis space. To address this gap, we propose EvoSyn, a learning-feedback-driven multi-agent framework that organizes synthesis around a revisable state specifying what interaction factors can be deliberately generated and where synthesis effort should be allocated. A role-specialized multi-agent system translates learner feedback into synthesis revisions, while a Designer allocates synthesis directions and a Planner grounds them into executable experience. This process enables within-space adaptation toward weak or under-covered regions and synthesis-space expansion that promotes newly discovered factors into explicit generation controls. Experiments on $τ^2$-Bench and CAR-Bench show that EvoSyn improves average task success by 13.3 points over the strongest synthesis baseline, while producing higher-quality and structurally broader synthetic experience and discovering controllable factors missed without learner feedback.
• Abstract（参考訳）: 大規模言語モデルの継続的な改善は、ますます合成経験に依存しているが、インタラクティブエージェントの効果的なデータ合成には、実行可能で検証可能な軌道だけでなく、現在のタスクエージェントの学習価値を提供する相互作用も必要である。 既存の手法では、環境フィードバック、データ検証、学習者の失敗がますます取り入れられていくが、依然としてフィードバックと意思決定のギャップに直面している。 このギャップに対処するため,学習フィードバック駆動型マルチエージェントフレームワークであるEvoSynを提案する。 役割特化マルチエージェントシステムは学習者のフィードバックを合成のリビジョンに変換し、デザイナは合成の方向を割り当て、プランナーはそれらを実行可能な体験に導く。 このプロセスは、弱い領域や未発見領域への空間内適応と、新たに発見された因子を明示的な生成制御へと促進する合成空間拡張を可能にする。 τ^2$-BenchとCAR-Benchの実験では、EvoSynは最強の合成ベースラインよりも平均的なタスク成功率を13.3ポイント向上し、高品質で構造的に広い合成経験を生み出し、学習者のフィードバックなしに制御可能な要因を発見している。

関連論文リスト

• SynCo: Data Synthesis Co-Training for Self-Evolving LLMs via Multi-Agent Reinforcement Learning [26.922892065061394]
  自己進化型LLMエージェントは、継続的な相互作用と学習を通じて自律的に改善することを約束する。 既存のパイプラインのほとんどは、静的データセットや別々に更新された合成モデルに依存している。 自己進化型LDMのためのエージェントデータ合成協調学習フレームワークであるSynCoを提案する。
  論文  参考訳（メタデータ） (2026-10-08T06:40:18Z)
• IterSynth: Rethinking Deep Search Agents via Role-Decoupled Iterative Synthesis [52.23822202304358]
  Iter Synthは、情報ニーズを特定するためのPlannerと、エビデンスを進化的な要約状態に統合するSynthesizerを交互に扱う、ロール分離および要約ベースのパラダイムである。 Iter Synth-8Bの平均スコアは50.7で、最強の$leq$8Bのエージェントを+4.2%上回る。
  論文  参考訳（メタデータ） (2026-09-24T12:02:53Z)
• Make LLM Learn to Synthesize from Streaming Experiences through Feedback [28.343295556944295]
  合成タスクが順次到着し、過去のタスクから経験することで、将来的な合成のための情報信号を提供する新しい設定であるStream Synthを紹介する。 タスクストリーム上で再利用可能な合成体験を合成モデルで取得できるフレームワークであるSynLearnerを提案する。 実験の結果、SynLearnerは以前のタスクからの経験を効果的に活用し、後続のタスクでの合成性能を改善し、一貫したクロスタスク転送性を示すことがわかった。
  論文  参考訳（メタデータ） (2026-05-28T13:51:58Z)
• SynClaimEval: A Framework for Evaluating the Utility of Synthetic Data in Long-Context Claim Verification [1.740313383876245]
  長文クレーム検証における合成データの有用性を評価するためのフレームワークであるSynClaimEvalを紹介する。 本フレームワークでは,文脈長の変化による入力特性,ドメイン外ベンチマークへの一般化テスト,クレームの複雑性とエラータイプの変化を制御した合成ロジック,モデル説明が予測に合致する証拠を提供する度合いを計測した説明品質の3つの次元について検討する。
  論文  参考訳（メタデータ） (2025-11-12T18:36:59Z)
• Adapting Web Agents with Synthetic Supervision [80.89365133130558]
  Webエージェントは、環境固有のタスクやデモが不足しているため、新しいWebサイトへの適応に苦慮している。 最近の研究は、この課題に対処するために合成データ生成を探求している。 完全合成監視フレームワークであるSynthAgentを提案する。
  論文  参考訳（メタデータ） (2025-11-08T18:45:33Z)
• EvoSyn: Generalizable Evolutionary Data Synthesis for Verifiable Learning [63.03672166010434]
  我々は、進化的、タスクに依存しない、戦略を導いた、実行可能検証可能なデータ合成フレームワークを紹介します。 問題、多様な候補解、検証成果物を共同で合成する。 これは、人間による注釈付きチェックと戦略によるチェックの合意を強制する一貫性に基づく評価器を通じて戦略を反復的に発見する。
  論文  参考訳（メタデータ） (2025-10-20T11:56:35Z)
• Understanding the Influence of Synthetic Data for Text Embedders [52.04771455432998]
  まず,Wangらによって提案された合成データの再生と公開を行った。 合成データがモデル一般化をどのように改善するかを批判的に検討する。 本研究は, 汎用インバータ構築における, 現在の合成データ手法の限界を浮き彫りにしたものである。
  論文  参考訳（メタデータ） (2025-09-07T19:28:52Z)
• ContraNeRF: Generalizable Neural Radiance Fields for Synthetic-to-real Novel View Synthesis via Contrastive Learning [102.46382882098847]
  まず,合成から現実への新規な視点合成における合成データの影響について検討した。 本稿では,幾何制約を伴う多視点一貫した特徴を学習するために,幾何対応のコントラスト学習を導入することを提案する。 提案手法は,PSNR,SSIM,LPIPSの点で,既存の一般化可能な新規ビュー合成手法よりも高い画質で精細な画像を描画することができる。
  論文  参考訳（メタデータ） (2023-03-20T12:06:14Z)

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。