論文の概要: From Existing Methods to New Research Ideas: Two Perspectives on Recursive Self-Improvement
- arxiv url: http://arxiv.org/abs/2610.14625v1
- Date: Sat, 10 Oct 2026 06:19:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.083854
- Title: From Existing Methods to New Research Ideas: Two Perspectives on Recursive Self-Improvement
- Title（参考訳）: 既存の方法から新しい研究思想へ:再帰的自己改善の2つの視点
- Abstract要約: 再帰的自己改善(RSI)は、自身の継続的な開発に参加するAIシステムへのルートを提供する。
最近の方法では、言語エージェントがパラメータ、メモリ、スキル、コードの変更を保持でき、その後の実行と改善が可能になる。
これらの手法が2つの相補的な視点から新しい研究のアイデアにどのように影響を与えるかを検討する。
- 参考スコア（独自算出の注目度）: 26.57698669934453
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recursive self-improvement (RSI) offers a route to AI systems that participate in their own continued development. Recent methods allow language agents to retain changes to their parameters, memory, skills, and code for subsequent execution and improvement. We examine how these methods can inform new research ideas through two complementary perspectives. First, we introduce a unified taxonomy with nine design dimensions organized into four groups: update targets, update organization, update schedule and scope, feedback and selection. This taxonomy places existing methods in a shared design space, where examining individual dimensions and their interactions can inspire new research ideas. Second, we examine how existing RSI methods draw on traditional deep learning, for example through optimization, regularization, data augmentation, continual learning, and adversarial learning. We develop further ideas by examining more specific learning mechanisms and drawing on evolutionary computation. We also review how existing benchmarks assess self-improvement under online, offline, and offline-to-online settings. Together, these perspectives help researchers develop new RSI research ideas from existing designs and learning mechanisms. RSI papers and resources are available at https://prism-shadow.github.io/awesome-rsi/.
- Abstract（参考訳）: 再帰的自己改善(RSI)は、自身の継続的な開発に参加するAIシステムへのルートを提供する。
最近の方法では、言語エージェントがパラメータ、メモリ、スキル、コードの変更を保持でき、その後の実行と改善が可能になる。
これらの手法が2つの相補的な視点から新しい研究のアイデアにどのように影響を与えるかを検討する。
まず、ターゲットの更新、組織のアップデート、スケジュールとスコープの更新、フィードバックと選択の4つのグループに分かれた、9つの設計次元を持つ統合分類を導入する。
この分類法は、既存の手法を共有デザイン空間に配置し、個々の次元とその相互作用を調べることで、新しい研究のアイデアを刺激することができる。
第2に,既存のRSI手法が従来のディープラーニング,例えば最適化,正規化,データ拡張,連続学習,対人学習にどのような影響を与えるかを検討する。
我々は、より具体的な学習メカニズムを調べ、進化的計算に基づいて描画することによって、さらなるアイデアを開拓する。
既存のベンチマークでは、オンライン、オフライン、オフラインのオンライン設定で自己改善を評価しています。
これらの視点は、研究者が既存のデザインと学習メカニズムから新しいRSI研究のアイデアを開発するのに役立つ。
RSIの論文とリソースはhttps://prism-shadow.github.io/awesome-rsi/.comで入手できる。
関連論文リスト
- A Survey on Self-Improving Test-Time Intelligence: Feedback-Driven Adapting, Learning, and Scaling at Inference [72.19201465132619]
このようなデプロイメント時間の改善を理解するための統一的な視点として,フィードバック駆動型テスト時間インテリジェンス(TTI)を提案する。
この視点は、テスト時適応、テスト時学習、テスト時スケーリングに関連するもので、ハイブリッドシステムにおけるそれらの相違点と相違点の両方を強調します。
私たちの目標は、テスト時に自己改善型AIシステムを研究するための、一貫性のある基礎と研究ロードマップを提供することです。
論文 参考訳（メタデータ） (2026-09-01T11:41:39Z) - The Evolution of Reranking Models in Information Retrieval: From Heuristic Methods to Large Language Models [0.0]
リランクは情報検索システムにおいて重要な段階であり、ユーザが提示した最終結果の関連性を改善している。
本論文は,リランカーの景観変化を概観するガイドであり,リグレード手法の進歩を概観するものである。
論文 参考訳（メタデータ） (2025-12-18T06:29:37Z) - A Survey on Generative Recommendation: Data, Model, and Tasks [55.36322811257545]
ジェネレーティブ・レコメンデーションは、差別的なスコアではなく、世代としてのレコメンデーションを再認識する。
この調査は、データ、モデル、タスク次元にまたがる統合された三部構成のフレームワークを通じて包括的な調査を提供する。
世界知識の統合、自然言語理解、推論能力、スケーリング法則、創造的生成の5つの主要な利点を特定します。
論文 参考訳（メタデータ） (2025-10-31T04:02:58Z) - Recurrent Expansion: A Pathway Toward the Next Generation of Deep Learning [0.26107298043931204]
Recurrent Expansion (RE)は、従来の機械学習(ML)とディープラーニング(DL)を超えて進化する新しい学習パラダイムである。
REは、同一のディープアーキテクチャによるデータの複数のマッピングを強調し、内部表現(フィーチャーマップ)を損失などの観測されたパフォーマンス信号とともに分析する。
スケーラブルで適応的な変種であるSc-HMVREは、現実世界のデプロイメントに選択的なメカニズムとスケールの多様性を導入している。
論文 参考訳（メタデータ） (2025-07-04T19:26:48Z) - CHIMERA: A Knowledge Base of Scientific Idea Recombinations for Research Analysis and Ideation [7.086262532457526]
CHIMERAは28K以上の組換え例の大規模な知識ベースである。
ChiMERAは、科学者がどのように概念を再結合し、異なる領域からインスピレーションを引き出すかを実証分析することを可能にする。
我々は2つの応用を通してCHIMERAの実用性を示す。
論文 参考訳（メタデータ） (2025-05-27T06:36:04Z) - A Survey on All-in-One Image Restoration: Taxonomy, Evaluation and Future Trends [67.43992456058541]
画像復元(IR)は、ノイズ、ぼかし、圧縮、悪天候など幅広い要因によって生じる劣化した観察から高品質な画像の復元を目指している。
従来のIR法は、個々の劣化タイプを対象とすることで顕著な進歩を遂げてきたが、それらの特殊化は、しばしば一般化のコストがかかる。
オールインワンのイメージ復元パラダイムが最近登場し、複数の劣化タイプに順応的に対処する統一されたフレームワークを提供している。
論文 参考訳（メタデータ） (2024-10-19T11:11:09Z) - Embedding in Recommender Systems: A Survey [54.55152033023537]
本調査では,レコメンデータシステム埋め込み技術の進歩を包括的に分析する。
マトリックスベースのシナリオでは、協調フィルタリングはユーザの好みを効果的にモデル化する埋め込みを生成する。
パフォーマンス向上のため,AutoMLやハッシュ技術,量子化手法など,新たなアプローチを導入する。
論文 参考訳（メタデータ） (2023-10-28T06:31:06Z) - Exploring and Verbalizing Academic Ideas by Concept Co-occurrence [42.16213986603552]
本研究は,学術的アイデアインスピレーションのための概念共起に基づく枠組みを考案する。
我々は20の分野やトピックから概念の共起関係に基づき、進化する概念グラフを構築する。
我々は、共起励磁法と呼ばれる新しいデータ構造に基づくアイデアの記述を生成する。
論文 参考訳（メタデータ） (2023-06-04T07:01:30Z) - Practical and Ethical Challenges of Large Language Models in Education:
A Systematic Scoping Review [5.329514340780243]
大規模言語モデル(LLM)は、テキストコンテンツの生成と分析の面倒なプロセスを自動化する可能性がある。
これらの革新の実践性と倫理性には懸念がある。
我々は2017年以降に発行された118件の査読論文の体系的スコーピングレビューを行い、研究の現状を明らかにした。
論文 参考訳（メタデータ） (2023-03-17T18:14:46Z) - Reinforcement Learning as Iterative and Amortised Inference [62.997667081978825]
我々は、この制御を推論フレームワークとして使用し、償却および反復推論に基づく新しい分類スキームを概説する。
この観点から、比較的探索されていないアルゴリズム設計空間の一部を特定できることを示す。
論文 参考訳（メタデータ） (2020-06-13T16:10:03Z) - Revisiting Meta-Learning as Supervised Learning [69.2067288158133]
メタラーニングと従来の教師付き学習の関連性を再考し,強化することで,原則的,統一的なフレームワークの提供を目指す。
タスク固有のデータセットとターゲットモデルを(機能、ラベル)サンプルとして扱うことで、多くのメタ学習アルゴリズムを教師付き学習のインスタンスに還元することができる。
この視点は、メタラーニングを直感的で実践的なフレームワークに統一するだけでなく、教師付き学習から直接洞察を伝達してメタラーニングを改善することができる。
論文 参考訳（メタデータ） (2020-02-03T06:13:01Z)
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。