論文の概要: Heterogeneous Agentic Coevolution

• arxiv url: http://arxiv.org/abs/2610.16078v1
• Date: Mon, 12 Oct 2026 02:34:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.292625
• Title: Heterogeneous Agentic Coevolution
• Title（参考訳）: 不均一なエージェント的共進化
• Abstract要約: Heterogeneous Agentic CoEvolution (HACE)は、相互学習を通じて、特殊な基礎モデルとLLMエージェントを共同で進化させるフレームワークである。 HACEは,推奨システム,生物におけるタンパク質機能予測,物質発見における結晶安定性予測の3分野にまたがって評価される。
• 参考スコア（独自算出の注目度）: 47.1305917022255
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in self-improving LLM agents have demonstrated the potential of AI systems that drive their own intelligence. However, many domain-specific applications rely on specialized foundation models that possess strong domain expertise but remain dependent on human-designed improvements. Extending recursive self-improvement to these models presents a key challenge: as a specialist improves, the strategies used to advance it must also adapt. To address this challenge, we propose Heterogeneous Agentic CoEvolution (HACE), a framework that jointly evolves specialized foundation models and LLM agents through reciprocal learning. HACE improves the specialist through supervised learning while training the agent with on-policy reinforced self-training, guided by verified performance gains on the current specialist. The agent's exploration, in turn, informs subsequent specialist training, enabling both models to adapt to each other's progress. To sustain this reciprocal learning, HACE further employs evolutionary search to optimize their interaction harness, adapting how the models exchange information and select training experiences as their capabilities evolve. We evaluate HACE across three challenging domains: recommendation systems, protein function prediction in biology, and crystal stability prediction in material discovery. We show that HACE outperforms the evaluated self-improving methods on the primary task metrics across all three domains. These results shed light on heterogeneous coevolution as a universal approach to improving specialized foundation models through reciprocal interaction with a learning agent.
• Abstract（参考訳）: 自己改善型LLMエージェントの最近の進歩は、自身の知性を駆動するAIシステムの可能性を実証している。 しかし、多くのドメイン固有のアプリケーションは、強力なドメインの専門知識を持つが、人間によって設計された改善に依存している特別な基礎モデルに依存している。 これらのモデルに再帰的な自己改善を拡張することは、重要な課題である。 この課題に対処するために, 特殊基礎モデルとLLMエージェントを相互学習により共同で進化させるフレームワークであるヘテロジニアスエージェント共進化(HACE)を提案する。 HACEは、教師付き学習を通じてスペシャリストを改善すると同時に、現在のスペシャリストのパフォーマンス向上によって導かれる、オンライン強化された自己訓練でエージェントを訓練する。 エージェントの探索は、その後の専門家の訓練を知らせ、両方のモデルが互いの進歩に適応できるようにする。 この相互学習を維持するために、HACEはさらに進化的探索を使用して、相互作用ハーネスを最適化し、モデルがどのように情報を交換し、その能力が進化するにつれてトレーニング経験を選択するかを適用する。 HACEは,推奨システム,生物におけるタンパク質機能予測,物質発見における結晶安定性予測の3分野にまたがって評価される。 HACEは評価された自己改善手法を3つの領域にまたがる主要なタスクメトリクスで上回っていることを示す。 これらの結果は、学習エージェントとの相互相互作用を通じて、専門的な基礎モデルを改善する普遍的なアプローチとして、異種共進化に光を当てた。

関連論文リスト

• A Comprehensive Survey of Self-Evolving AI Agents: A New Paradigm Bridging Foundation Models and Lifelong Agentic Systems [53.37728204835912]
  既存のAIシステムは、デプロイ後も静的な手作業による構成に依存している。 近年,インタラクションデータと環境フィードバックに基づいてエージェントシステムを自動拡張するエージェント進化手法が研究されている。 この調査は、自己進化型AIエージェントの体系的な理解を研究者や実践者に提供することを目的としている。
  論文  参考訳（メタデータ） (2025-08-10T16:07:32Z)
• A Survey of Self-Evolving Agents: On Path to Artificial Super Intelligence [87.08051686357206]
  大きな言語モデル(LLM)は強力な能力を示しているが、基本的に静的である。 LLMはますますオープンでインタラクティブな環境にデプロイされているため、この静的な性質は重要なボトルネックとなっている。 この調査は、自己進化エージェントの体系的で包括的なレビューを初めて提供する。
  論文  参考訳（メタデータ） (2025-07-28T17:59:05Z)
• Parental Guidance: Efficient Lifelong Learning through Evolutionary Distillation [1.124958340749622]
  本研究では, 自然種再現, 多様性のバランス, 特殊化といった, 再生モジュールを含むフレームワークを提案する。 RL、模倣学習(IL)、進化的エージェント・テランのカリキュラムを統合することで、複雑なタスクを通じてエージェントを継続的に進化させる。 最初の実験では,この手法が探索効率を向上し,オープンエンド学習を支援することを示した。
  論文  参考訳（メタデータ） (2025-03-24T10:40:03Z)
• Learning Evolution via Optimization Knowledge Adaptation [50.280704114978384]
  進化的アルゴリズム(EA)は、複雑なタスクの解を見つけるために、進化的演算子を通して集団を維持する。 最適化知識適応進化モデル(okaEM)を導入し,最適化能力を向上する。 okaEMは、様々な知識伝達設定におけるパフォーマンス向上のために、事前知識を活用する。 自然選択と遺伝子組換えの原理をエミュレートすることができる。
  論文  参考訳（メタデータ） (2025-01-04T05:35:21Z)

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。