論文の概要: MMLA-RSI: Recursive Self-Improvement through RTT and RTMA

• arxiv url: http://arxiv.org/abs/2610.20294v1
• Date: Wed, 14 Oct 2026 14:47:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.210128
• Title: MMLA-RSI: Recursive Self-Improvement through RTT and RTMA
• Title（参考訳）: MMLA-RSI:RTMAとRTMAによる再帰的自己改善
• Abstract要約: エージェントは、どのように振る舞うか、どの体験を保持するかを変えることで、未解決の問題の中でその振る舞いを改善することができる。 我々は、Reasoning-Time Training (RTT) がポリシーステートを$、Reasoning-Time Memory Adaptation (RTMA) が権威メモリを$M$に変更するのに対し、Reasoning-Time Memory Adaptation (RTMA) は$M$という2つの実装を提案する。 現在の数値更新器は、その後継を提案するポリシーを訓練し、現在のメモリマネージャは、その後継を提案するプロセスで利用可能なレコードを選択する。 我々は、有界なルール言語、共有タスク/プロトコルインターフェース、ルートまたはそれらの構成のための1つのアルゴリズムを提供する。
• 参考スコア（独自算出の注目度）: 0.5371337604556311
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An agent can improve its behavior within an unresolved problem by changing how it acts and which experience it retains. We propose MMLA-RSI, a recursive self-improvement scheme with two implementations in Memory-Mediated Learning Architecture: Reasoning-Time Training (RTT) changes the policy state $Φ$, while Reasoning-Time Memory Adaptation (RTMA) changes authoritative memory $M$. Each route also makes its adaptation method an object of improvement. A current numerical updater trains the policy proposing its successor; a current memory manager chooses the records available to the process proposing its successor. An independently admitted successor takes over the same role in the next generation. We give bounded executable rule languages, shared task/proposal interfaces, and one algorithm for either route or their composition. The RTT instance changes scalar schedules in a clipped-momentum update. The RTMA instance chooses NULL or a complete-row write with possible eviction. A fixed interpreter, trusted committer, and independent evaluator bound what can change. State versions, read closures, and conditional properties describe causal execution, accepted transitions, and finite work. Existing numerical-component studies motivate the construction. In four-candidate program selection, retaining LARC feedback updates reduces expected error by 24.65 and 36.65 percentage points for two trained initializations. In chronological continuous-integration replay, feedback binding is positive while retention increases loss. Completed SQL studies improve substantially over an unadapted substrate but do not establish the required additional online benefit. These results characterize their declared components. The two recursive routes and their joint realization are specified here; their beneficial recursive chains and discovery efficiency remain to be evaluated.
• Abstract（参考訳）: エージェントは、どのように振る舞うか、どの体験を保持するかを変えることで、未解決の問題の中でその振る舞いを改善することができる。 本稿では,Reasoning-Time Training (RTT) がポリシー状態を$$$,Reasoning-Time Memory Adaptation (RTMA) が$M$で変更するのに対し,Reasoning-Time Memory Adaptation (RTMA) は$M$で再帰的な自己改善手法であるMMLA-RSIを提案する。 それぞれの経路は、適応法を改善の対象にもしている。 現在の数値更新器は、その後継を提案するポリシーを訓練し、現在のメモリマネージャは、その後継を提案するプロセスで利用可能なレコードを選択する。 独立して認められた後継者が、次の世代で同じ役割を引き継ぐ。 我々は、有界なルール言語、共有タスク/プロトコルインターフェース、ルートまたはそれらの構成のための1つのアルゴリズムを提供する。 RTTインスタンスは、クリップされたモーメント更新でスカラースケジュールを変更する。 RTMA インスタンスは NULL や complete-row write を選択する。 固定インタプリタ、信頼できるコミッタ、独立評価器は、何が変更できるかを制限します。 状態バージョン、読み込みクロージャ、条件プロパティは因果実行、受け入れられた遷移、有限の作業を記述する。 現存する数値成分の研究が建設の動機となっている。 4つのプログラム選択において、LARCのフィードバック更新を維持することで、2つの訓練された初期化に対して24.65と36.65の誤差が減少する。 時間的連続的なリプレイでは、リテンションが損失を増加させる一方、フィードバックバインドは正である。 完全なSQL研究は、未適応の基板よりも大幅に改善されるが、必要な追加のオンライン利益は確立しない。 これらの結果は、宣言されたコンポーネントを特徴づける。 ここでは、2つの再帰的経路とその共同実現が特定され、それらの有益な再帰的連鎖と発見効率が評価される。

関連論文リスト

• R$^2$ Flow: Recursive Self-Improvement via Recursive Skill Evolution [21.09092301957443]
  R$2$ Flowは、ポリシ学習、独立した検証、および共有状態オーケストレーショングラフでバージョン管理されたスキルライブラリ更新を交互に実行する。 トレーニングされたフローのフローシェア読み出し、後方ポリシー、変更するスキルを持つ個別の署名付きユーティリティランク、検証者エビデンスにより、編集が保証されているか否かが決定される。
  論文  参考訳（メタデータ） (2026-09-27T19:43:15Z)
• COUNTERMEM: World-Model Verified Counter-Factual Memory for Language Agents [40.59788210629839]
  COUNTERMEMは、タスク間で検証済みの反ファクトメモリの構築と使用のための強化学習フレームワークである。 動作が失敗した後、COUNTERMEMは元の状態のコピーまたはリセットからローカル代替品を評価する。 オリジナルと修正されたアクション、チェック結果、再利用条件の改善を格納する。
  論文  参考訳（メタデータ） (2026-09-25T18:12:38Z)
• RRSI: Regularized Recursive Self-Improvement of Agent Harnesses [76.77275934611428]
  正規化再帰的自己改善型エージェント・ハーネス(RRSI) 本稿では、正規化の原則を取り入れたRRSIを紹介し、進化候補の提案と選択を制約することで自己改善を活用する。 RRSIは5つのアウト・オブ・ディストリビューション・ベンチマークで14.1ポイント、最大4.7ポイントを獲得し、非正規化進化よりも30%少ないポリシートークンで動作するハーネスを生産している。
  論文  参考訳（メタデータ） (2026-09-21T17:54:49Z)
• MetaRSI / RSI2: A Meta-Recursive Self-Improving System for Recursive Self-Improving Systems Themselves [65.60481414910728]
  再帰的な自己改善により、システムは自身の失敗からモデル構築機械を改善することができる。 しかし、RSIは、科学のQAや数学のようなコーディングと形式的なベンチマークにのみ検証されている。 RSIは次に、科学的、工学的、メタ科学的な領域にまたがって運用されなければならない、と我々は主張する。 本稿では,MetaRSI-v1を提案する。改良は,1つの統一パラダイム上での3つの型付き演算子のスケジュール構成である。
  論文  参考訳（メタデータ） (2026-09-06T05:15:31Z)
• From Interaction Traces to Persistent Skills: Online Evolution for Computer-Use Agents [48.50635499112162]
  本稿では,インタラクショントラジェクトリと評価器フィードバックを再利用手順の永続的でバージョン管理されたライブラリに変換するオンラインスキル進化フレームワークを提案する。 我々は、OSWorldの4つのアプリケーションドメインにまたがって、完全に進化するライブラリシステムと、設定にマッチした空のライブラリ制御を比較した。 GIMPでは、プロファイランス・アウェア・アナリティクスにより、タスク・オブ・オリジンの境界を越えた検索とリビジョンが示され、繰り返し受け入れられた編集が元のタスクの回復に失敗する。
  論文  参考訳（メタデータ） (2026-09-04T08:29:45Z)
• Beneath the Diff: Diagnosing and Mitigating Algorithmic Mode Collapse in Code-Level Autonomous Research Loops [11.99667127177886]
  我々は、反復的なメトリック駆動のコード編集が、ループを超えて一般化する真の改善をもたらすことを示す。 本稿では,カテゴリ被覆再重み付け,永続的な編集メモリ,検証ゲートを組み合わせた軽量化を提案する。
  論文  参考訳（メタデータ） (2026-08-31T08:11:19Z)
• SQL-ASTRA: Alleviating Sparse Feedback in Agentic SQL via Column-Set Matching and Trajectory Aggregation [51.696027315573296]
  本稿では,効率的な軌道レベル評価と高密度ステップレベル信号の提供を目的とした,普遍的な2層報酬機構を特徴とするフレームワークを提案する。 伝統的なパラダイムでは、報酬は最終ターンのフィードバックによってのみ決定され、中間プロセスを無視し、曖昧な信用評価をもたらす。 提案手法は,同一モデルを用いてBIRD 2.0上でのSOTA Arctic-Text2-R1-7Bより優れており,頑健なマルチターンエージェントのパラダイムに向けてテキストから逆収束を推進していることを示す。
  論文  参考訳（メタデータ） (2026-03-17T06:26:36Z)

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。