論文の概要: State Representation Shapes Long-Horizon Agent Learning and Transfer: An Empirical Study

• arxiv url: http://arxiv.org/abs/2610.15407v1
• Date: Sun, 11 Oct 2026 07:22:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.208275
• Title: State Representation Shapes Long-Horizon Agent Learning and Transfer: An Empirical Study
• Title（参考訳）: 長距離エージェントの学習と移動における状態表現の形状--実証的研究
• Abstract要約: 本研究では,現在の成果物状態と候補アクションのレシピを提供する決定論的ツールの区別について検討する。 ワークフローの地平線を越えた教師あり学習と、トレーニングに使用される状態表現と、評価に使用される状態表現を比較した。
• 参考スコア（独自算出の注目度）: 12.786371073246864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An end-to-end success rate alone cannot distinguish failure to learn an action from failure to apply it as task state changes. We study this distinction in deterministic tool workflows that provide the current artifact state and candidate action recipes. Using 1.7B, 8B, and 27B Qwen models, we compare supervised learning across workflow horizons and cross the state representation used for training with the one used at evaluation. Horizon-matched supervision yields high completion, but an H4-trained 1.7B model transfers poorly to longer workflows under full-state observations. In an H16 crossover, compact-trained 1.7B adapters complete 50/50 held-out tasks in compact view and 0/50 in full view for each of three paired training seeds; full-trained outcomes vary across seeds. A separate 8B adapter pair shows a similar asymmetry. The view dependence also appears in paired-choice tasks where both candidate calls are executable and the correct choice depends on table contents; here, the compact mask does not consult the target action. An explicit relevance cue improves full-view execution but does not close the gap for the tested checkpoint. In a separate 27B ScienceWorld study, compact-state training improves local accuracy under both views, indicating that the transfer pattern depends on the task and observation construction. Together, these experiments identify representation-sensitive transfer as a bottleneck in the controlled workflows, without isolating content reduction from other changes to the observation.
• Abstract（参考訳）: エンドツーエンドの成功率だけでは、タスク状態の変化としてそれを適用することからアクションを学ぶ失敗を区別することはできない。 この区別は、現在のアーティファクト状態と候補アクションのレシピを提供する決定論的ツールワークフローにおいて研究される。 我々は1.7B,8B,27B Qwenモデルを用いて,ワークフローの地平線を越えた教師あり学習と,トレーニングに使用する状態表現を評価に用いるモデルと比較した。 水平整合された監視は高い完成率を得るが、H4訓練された1.7Bモデルはフルステートな観測下では、より長いワークフローに十分に移行する。 H16クロスオーバーでは、コンパクトな1.7Bアダプタは、コンパクトなビューで50/50のホールドアウトタスクを完了し、3つのペアのトレーニングシードで0/50のフルビューを完了した。 別個の8Bアダプタ対は、同様の非対称性を示す。 ビュー依存は、両方の候補呼び出しが実行可能であり、正しい選択がテーブルの内容に依存するペア選択タスクにも現れる。 明示的な関連キューは、フルビューの実行を改善するが、テストされたチェックポイントのギャップを埋めることはない。 27B ScienceWorldの別の研究では、コンパクトステートトレーニングは両方のビューの下で局所的精度を改善し、転送パターンがタスクと観測構成に依存することを示す。 これらの実験は、制御されたワークフローにおけるボトルネックとして表現に敏感な転送を識別する。

関連論文リスト

• When Instructions Retrieve Trajectories: Diagnosing and Mitigating Generalization Failures in VLA Models [18.16273179954973]
  視覚言語アクション(VLA)モデルは、分配タスクで90%以上の成功を達成できる。 ポリシーは言語と視覚の両方に反応するが、それらを組み合わせてタスクが必要とするアクションを選択することはない。 細調整された$_0.5$とGR00T-N1.7ポリシーの振る舞い解析により、ロールアウトが失敗した場合、ソースの動作を維持したり、別のデモタスクに切り替えたりすることが多いことが明らかになった。
  論文  参考訳（メタデータ） (2026-09-30T15:34:57Z)
• The Intervention Gap in Latent World Models [0.0]
  計画時介入の忠実さは、学習された世界モデルの際立った、測定可能な特性である。 リリースされたTD-MPC2チェックポイントサイズ全体で、タスクオブザーバのオペレータエラー診断が増加するにつれて、エピソードリターンが減少する。 タスク信号無しで訓練された自己教師付き世界モデルは、共有タスク上のタスク選択モデルよりもかなり優れた演算子を保存する。
  論文  参考訳（メタデータ） (2026-08-30T19:47:51Z)
• Cross-Benchmark Generalization in Long-Horizon Agents [1.0742728354283815]
  我々は,27のカテゴリにわたる363の長距離モデルコンテキストプロトコル(MCP)タスク上で,オープンウェイト・ミックス・オブ・エキスパート・モデルを構築した。 トレーニングには外部ベンチマークタスクやグレーダが入らず、報酬、ハイパーパラメータのトレーニング、トレーニングされたチェックポイントの選択、停止を外部スコアが知らせなかった。 両方のソフトウェアベンチマークは、ソフトウェアエンジニアリングタスクを含まないトレーニングコレクションにもかかわらず改善されている。
  論文  参考訳（メタデータ） (2026-07-31T18:05:36Z)
• Towards Distribution-Agnostic Generalized Category Discovery [51.52673017664908]
  データ不均衡とオープンエンドの分布は、現実の視覚世界の本質的な特性である。 我々は,BaCon(Self-Balanced Co-Advice contrastive framework)を提案する。 BaConは、対照的な学習ブランチと擬似ラベルブランチで構成され、DA-GCDタスクを解決するためのインタラクティブな監視を提供するために協力して動作する。
  論文  参考訳（メタデータ） (2023-10-02T17:39:58Z)
• Understanding and Mitigating Overfitting in Prompt Tuning for Vision-Language Models [108.13378788663196]
  本稿では, トレーニング過程全体において, 低ランク部分空間にバックプロパゲーションの勾配を投影するSubspace Prompt Tuning(SubPT)を提案する。 我々はCoOpにノベル・ラーナー・フィーチャー(NFL)を装備し、学習したプロンプトをトレーニングセット以外の新しいカテゴリに一般化する能力を高める。
  論文  参考訳（メタデータ） (2022-11-04T02:06:22Z)

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。