論文の概要: The Last Remote Sensing Model Built by Humans? Casting Any Earth Observation Task as Recursive Self-Improvement
- arxiv url: http://arxiv.org/abs/2610.18845v1
- Date: Tue, 13 Oct 2026 17:57:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:15.957642
- Title: The Last Remote Sensing Model Built by Humans? Casting Any Earth Observation Task as Recursive Self-Improvement
- Title（参考訳）: 人間が作った最後のリモートセンシングモデル? 再帰的な自己改善として地球観測タスクを振り返る
- Abstract要約: 地球観測(EO)モデルは現在でも手作業で製造されている。
このループはエージェントに渡せることを示す。
検証可能なタスクは、ハーネスと検証器としてキャストすることができ、ハーネスはエージェントが使用するものを定義し、検証器は成功とみなすものを定義する。
- 参考スコア（独自算出の注目度）: 25.889968647200906
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Earth observation (EO) models are still built by hand. For each new task, experts design a training recipe and tune it against a benchmark. We show that this loop can be handed to an agent. Any verifiable task can be cast as a harness and a verifier, where the harness defines what the agent may use and the verifier defines what counts as success. Every EO task can be made verifiable, through labeled benchmarks, independent sensors, physical models or the repeated observation of the same place. Given only these two components, a general-purpose coding agent builds the EO model and improves it recursively on its own outputs. Settings long treated as separate research problems, from learning with a handful of labels to adapting across domains, become choices of harness and verifier. On four EO benchmarks spanning optical, SAR and multispectral time-series imagery, agent-built models surpass the state of the art and keep most of that accuracy from about 1% of the training labels. This establishes a new paradigm for EO, in which people design harnesses and verifiers and agents build the models, so EO models improve as agents do.
- Abstract（参考訳）: 地球観測(EO)モデルは現在でも手作業で製造されている。
新しいタスクごとに、専門家はトレーニングレシピを設計し、ベンチマークに対してチューニングする。
このループはエージェントに渡せることを示す。
検証可能なタスクは、ハーネスと検証器としてキャストすることができ、ハーネスはエージェントが使用するものを定義し、検証器は成功とみなすものを定義する。
すべてのEOタスクは、ラベル付きベンチマーク、独立したセンサー、物理モデル、または同じ場所の繰り返し観測を通じて検証することができる。
これら2つのコンポーネントのみを前提として、汎用的なコーディングエージェントがEOモデルを構築し、それを自身の出力で再帰的に改善する。
設定は、いくつかのラベルで学ぶことから、ドメイン間で適応することまで、長い間別々の研究課題として扱われてきた。
光、SAR、マルチスペクトルの時系列画像にまたがる4つのEOベンチマークでは、エージェント構築モデルは最先端のモデルを超え、トレーニングラベルの約1%からその精度を保っている。
これは、人々がハーネスや検証器を設計し、エージェントがモデルを構築するという、EOの新しいパラダイムを確立します。
関連論文リスト
- Are Frontier VLM Agents Ready to Be Robot Generalists? An Empirical Study with the Embodied Agent Arena [52.33857619195848]
本研究では,空洞型エージェントArenaを導入し,幾何学,空間推論,アフォーダンス,タスクプランニング,マニピュレーションにまたがる7つのVLMエージェントを評価する。
精度推定におけるアストラの強みと使用可能な接触局所化は、トレースにおける終端誤差と低い家庭用タスク完了において共存する。
論文 参考訳（メタデータ） (2026-10-01T00:14:50Z) - AutoDataBench: Can Agents Write the Data That Feeds the Self-Improvement Loop? [62.41600992806851]
エージェントがそのようなタスクを書く能力の現在の評価は、エージェントが生成したもののトレーニング後にモデルがどのように機能するかを測定する。
既存の評価では、個々のタスクがデータパイプラインの受け入れ基準を満たすかどうかを問わない。
AutoDataBenchは、自律データ合成のためのエージェントの能力を直接測定する。
論文 参考訳（メタデータ） (2026-09-28T12:24:21Z) - ReFigBench: Benchmarking Scientific Figure Reconstruction as Editable PowerPoint Artifacts [12.685368540985882]
本研究では,ソースイメージを編集可能なPowerPointスライドにする必要があるエージェントタスクである,科学的概要図の再構築について検討する。
ReFigBenchは、arXiv論文から得られた1000の実際の概要図に基づいて構築された、ベンチマークおよび評価フレームワークである。
論文 参考訳（メタデータ） (2026-09-16T15:51:51Z) - MNIST-PRO: MNIST is Back as a Partially Observable World for AI Agents [74.83535434786145]
MNIST-PRO (MNIST-PRO) は、MNISTの桁認識を、ルックバック制約付きシーケンシャルな視線に基づく検索タスクに変換することで、エージェント認識を分離するベンチマークである。
生の視覚履歴、テキスト状態、構造化されたメートル法グリッドマップ、統合された視覚キャンバスを含む4つの記憶表現の10つのマルチモーダルモデルを評価する。
論文 参考訳（メタデータ） (2026-08-31T16:05:39Z) - From Question Answering to Task Completion: A Survey on Agent System and Harness Design [67.8241530947325]
本研究はモデルハーネスレンズを用いてLCMをベースとしたエージェントについて検討する。
まず, LLMをベースとしたエージェントを基礎モデルと実行ハーネスとして, エージェントの機能的定義と実装の視点を明らかにする。
次に、モデル中心のスケーリングの限界を分析し、エージェントエンジニアリングの4つのパラダイムをトレースし、実行ハーネスを6つの結合ランタイム責任に分解する。
論文 参考訳（メタデータ） (2026-06-14T05:40:16Z) - ARIS: Autonomous Research via Adversarial Multi-Agent Collaboration [10.076972559007116]
ARIS(Auto-Research-in-sleep)は、自律的な研究のためのオープンソースの研究ハーネスである。
ARISは、クロスモデル対外コラボレーションを通じて機械学習の研究を調整する。
論文 参考訳（メタデータ） (2026-05-04T18:10:15Z) - Holistic Agent Leaderboard: The Missing Infrastructure for AI Agent Evaluation [87.47155146067962]
数百のタスクで並列評価をオーケストレーションする,標準化された評価ハーネスを提供する。
モデル、足場、ベンチマークにまたがる3次元解析を行う。
私たちの分析では、ほとんどのランで精度を低下させる高い推論努力など、驚くべき洞察が示されています。
論文 参考訳（メタデータ） (2025-10-13T22:22:28Z) - AgentRefine: Enhancing Agent Generalization through Refinement Tuning [28.24897427451803]
LLM(Large Language Model)ベースのエージェントは、人間のような複雑なタスクを実行する能力を示した。
オープンソースLLMとGPTシリーズのような商用モデルの間にはまだ大きなギャップがある。
本稿では,命令チューニングによるLLMのエージェント一般化機能の改善に焦点をあてる。
論文 参考訳（メタデータ） (2025-01-03T08:55:19Z) - Gödel Agent: A Self-Referential Agent Framework for Recursive Self-Improvement [112.04307762405669]
G"odel AgentはG"odelマシンにインスパイアされた自己進化型フレームワークである。
G"odel Agentは、パフォーマンス、効率、一般化性において手作業によるエージェントを上回る、継続的な自己改善を実現することができる。
論文 参考訳（メタデータ） (2024-10-06T10:49:40Z)
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。