論文の概要: Recursive Formation and First-Class Reuse of Compositional Capabilities

• arxiv url: http://arxiv.org/abs/2610.19414v1
• Date: Wed, 14 Oct 2026 02:02:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.894576
• Title: Recursive Formation and First-Class Reuse of Compositional Capabilities
• Title（参考訳）: 構成能力の再帰的形成と第一級再利用
• Abstract要約: 獲得した操作をファーストクラスの機能として表現するフレームワークであるFormCraftを紹介します。 このフレームワークは、能力の良さとパブリックな呼び出しやすさを、後から永続的なストレージへの受け入れから切り離している。 生成した複合材料は, 歴史的導出を再現することなく, 同一の公開インターフェースを通じて再利用可能であることを示す。
• 参考スコア（独自算出の注目度）: 1.240902437890557
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce FormCraft, a framework for representing acquired operations as first-class capabilities that can be recursively composed, directly invoked, and selectively retained in a persistent library through domain-specific verification. The framework separates capability well-formedness and public callability from later admission to persistent storage while preserving formation provenance and operational identity. We formalize recursive compositional closure over a uniform capability space and show that formed composites can be reused through the same public interface without re-forming their historical derivation. Experiments across continuous, discrete, propositional, and sequence domains demonstrate instance-independent reuse, independent checking, persistent acquisition, and reduced reuse-time search work under first-class exposure.
• Abstract（参考訳）: 本稿では,取得した操作を第1級の機能として表現するフレームワークであるFormCraftを紹介し,ドメイン固有の検証を通じて永続ライブラリに再帰的に構成し,直接呼び出し,選択的に保持することができる。 このフレームワークは、機能的整合性とパブリックな呼び出し容易性を、生成の証明と運用上のアイデンティティを保ちながら、後から永続的なストレージへの受け入れから切り離している。 単一機能空間上の再帰的構成閉包を形式化し, 形成した複合材料が, 歴史的導出を再現することなく, 同一の公共インターフェースを通じて再利用可能であることを示す。 連続的、離散的、命題的、シーケンス的な領域にわたる実験では、インスタンスに依存しない再利用、独立したチェック、永続的な取得、一級露出下での再利用時間検索作業の削減が示されている。

関連論文リスト

• Generalized Residual Closure: General Learning Dynamics for Stability-Plasticity Compatibility [30.659781328550526]
  学習は、事前の責任と再び学ぶ能力を維持しながら、新たな能力を取得する必要がある。 本稿では,将来的な相違点の再帰的クロージャとして学習するフレームワークである一般残留クロージャ(GRC)を紹介する。 再建的セマンティックプロテクションは, 正確な歴史的実現を保った上で, 安全応答演算子を弱く拡張することを示す。
  論文  参考訳（メタデータ） (2026-09-30T03:57:31Z)
• ReCAP: Retrieval-Guided Capability Reuse for Multimodal Continual Instruction Tuning [53.43775325949729]
  マルチモーダル・インストラクション・チューニングの目的は,マルチモーダルな大規模言語モデルがシーケンシャルタスクから新たな機能を獲得できるようにすることである。 既存の方法は、パラメータの更新を制限したり、タスク固有の適応を分離することで、破滅的な忘れを軽減します。 本稿では,外部知識を活用した検索誘導型フレームワークReCAPを提案する。
  論文  参考訳（メタデータ） (2026-09-29T15:56:11Z)
• Modular Continual Learning via Zero-Leakage Reconstruction Routing and Autonomous Task Discovery [0.9137554315375919]
  ニューラルネットワークのシーケンシャルなタスク学習において、破滅的な忘れは依然として主要なハードルである。 本稿では,タスク特化専門家と分散型外乱型ゲートキーパーを用いた構造パラメータ分離を実現するシリコンネイティブなモジュールアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-04-15T19:48:40Z)
• Long-Term Multi-Session 3D Reconstruction Under Substantial Appearance Change [52.46888249268445]
  長期の環境モニタリングには、数ヶ月または数年ごとに分割された繰り返しサイト訪問で3Dモデルを再構築し調整する機能が必要である。 既存のアプローチは、独立して再構築されたセッションのポストホックアライメントに依存している。 我々は,共同SfM再建において,クロスセッション対応を直接実施することを提案する。
  論文  参考訳（メタデータ） (2026-02-24T06:12:51Z)
• Arcadia: Toward a Full-Lifecycle Framework for Embodied Lifelong Learning [80.6669596031697]
  閉ループフレームワークであるArcadiaを導入し,4段階を密結合させることで生涯学習を実践する。 Arcadiaは、ナビゲーションと操作ベンチマークに一貫した利益をもたらし、物理的なロボットにしっかりと転送する。
  論文  参考訳（メタデータ） (2025-11-25T07:26:00Z)
• RecGPT: A Foundation Model for Sequential Recommendation [16.464972558861497]
  我々は、真にゼロショットの一般化機能を実現するための逐次レコメンデーションのための基礎モデルを開発する。 提案手法は,テキスト機能のみからアイテム表現を導出することで,既存のIDベースの手法から逸脱する。 我々は、不均一なテキスト記述を標準化された離散トークンに変換するFinite Scalar Quantizationと統合されたアイテムトークン化を導入する。
  論文  参考訳（メタデータ） (2025-06-06T17:53:02Z)
• StPR: Spatiotemporal Preservation and Routing for Exemplar-Free Video Class-Incremental Learning [79.44594332189018]
  CIL(Class-Incremental Learning)は、以前取得した知識を使わずに、時間とともに新しいアクションカテゴリを継続的に学習するモデルの開発を目指している。 既存のアプローチでは、メモリとプライバシに関する懸念を忘れたり、あるいは時間的モデリングを無視する静的なイメージベースのメソッドを適用したりする。 本稿では,情報を明示的に切り離して保存する,統一的で非定型なVCILフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-20T06:46:51Z)
• Unity in Diversity: Multi-expert Knowledge Confrontation and Collaboration for Generalizable Vehicle Re-identification [60.20318058777603]
  一般化可能な車両再識別(ReID)は、微調整や再訓練を必要とせず、未知のターゲットドメインに適応可能なモデルの開発を目指している。 これまでの研究は主に、ソースドメイン間のデータ分散を調整することで、ドメイン不変の機能の抽出に重点を置いてきた。 そこで本研究では,この問題を解決するために,2段階のMulti-expert Knowledge Confrontation and Collaboration(MiKeCoCo)手法を提案する。
  論文  参考訳（メタデータ） (2024-07-10T04:06:39Z)

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。