論文の概要: Reliable Knowledge Acquisition for Continual Learning Agents

• arxiv url: http://arxiv.org/abs/2610.21739v1
• Date: Thu, 15 Oct 2026 11:55:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.057459
• Title: Reliable Knowledge Acquisition for Continual Learning Agents
• Title（参考訳）: 連続学習エージェントのための信頼性の高い知識獲得
• Abstract要約: 本研究では,現実的,概念的,手続き的,メタ認知的知識の階層的抽出とエビデンスに基づく知識付与を併用したテキストリカ(信頼性知識獲得)を提案する。 連続学習ベンチの6つのタスクストリームと4つのモデルバックボーンのうち、RIKAは各バックボーンで最高スコアを達成している。
• 参考スコア（独自算出の注目度）: 2.5782420501870296
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As agents powered by foundation models move into open-ended environments, continual learning from experience becomes essential. For agents built on models with fixed parameters, this learning requires reusing prior task experience in context to improve performance and efficiency on future tasks. Existing memory and experience-learning systems typically focus on either retained facts or procedures, and lack a mechanism for establishing the reliability of claims extracted from the ongoing task stream. Indeed, we find that approximately 12--33\% of entries produced by representative systems harm future task performance when reused. To address these limitations, we propose \textbf{RIKA} (Reliable Knowledge Acquisition), which combines hierarchical extraction of factual, conceptual, procedural, and metacognitive knowledge with Evidence-based Knowledge Admission, which uses source evidence and subsequent experience to govern which claims enter the task agent's context, without additional validation tasks. Across six task streams from Continual Learning Bench and four model backbones, RIKA achieves the highest aggregate score on every backbone.
• Abstract（参考訳）: 基礎モデルを利用したエージェントがオープンな環境に移行するにつれ、経験からの継続的な学習が不可欠となる。 固定パラメータを持つモデル上に構築されたエージェントに対して、この学習では、将来のタスクのパフォーマンスと効率を改善するために、コンテキスト内で以前のタスクエクスペリエンスを再利用する必要がある。 既存のメモリと経験学習システムは通常、保持された事実または手順に焦点を当て、進行中のタスクストリームから抽出されたクレームの信頼性を確立するメカニズムが欠如している。 実際、代表システムによって生成されるエントリの約12-33\%が、再利用時のタスク性能を損なうことが判明した。 これらの制約に対処するため, 事実的, 概念的, 手続き的, メタ認知的知識の階層的抽出とエビデンスに基づく知識付与を組み合わせ, 根拠証拠とその後の経験を用いて, 追加の検証タスクを伴わずに, クレームがタスクエージェントのコンテキストに入るかを規定する。 連続学習ベンチの6つのタスクストリームと4つのモデルバックボーンのうち、RIKAは各バックボーンで最高スコアを達成している。

関連論文リスト

• ExpVoyager: Direct Experience Navigation for Dynamic Agent Skill Synthesis [11.399221632873934]
  LLMエージェントの経験から学ぶことは、自己進化エージェントを開発する上で重要なパラダイムとなっている。 このパラダイムの中で、エージェントスキルは、蓄積された経験を再利用可能な手続き的知識に変換するための有望なソリューションとして現れています。 ExpVoyagerは、スキルキュレーターが様々なビューや解像度で生体験をナビゲートする新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-09-26T13:48:10Z)
• SkillEvolBench: Benchmarking the Evolution from Episodic Experience to Procedural Skills [31.23929961213889]
  大規模言語モデル(LLM)エージェントは、現実世界のタスクを解きながら豊富なエピソード軌道を蓄積する。 SkillEvolBenchは、経験の再利用からスキル形成まで、このステップを評価するための診断ベンチマークである。 現在のエージェントは、しばしばローカルに適応するが、堅牢な再利用可能なスキルを形成することは滅多にない。
  論文  参考訳（メタデータ） (2026-05-22T18:23:31Z)
• Look Before You Leap: Autonomous Exploration for LLM Agents [46.001025916022066]
  大規模言語モデルに基づくエージェントは、未熟な環境において、未熟な利用のために失敗することが多い。 我々は,自律探査を適応エージェント構築の重要かつ未探索の能力とみなす。
  論文  参考訳（メタデータ） (2026-05-15T16:24:16Z)
• Transferable Expertise for Autonomous Agents via Real-World Case-Based Learning [6.277598389891074]
  本稿では,過去のタスクから経験を再利用可能な知識資産に変換するケースベースの学習フレームワークを提案する。 事前訓練された知識や静的なプロンプトに基づく手法とは異なり、我々のフレームワークはタスク関連知識の抽出と再利用に重点を置いている。
  論文  参考訳（メタデータ） (2026-04-14T13:31:47Z)
• Leveraging LLM Parametric Knowledge for Fact Checking without Retrieval [60.25608870901428]
  信頼性は、大規模言語モデル(LLM)上に構築されたエージェントAIシステムの中核研究課題である 本研究では,任意の自然言語クレームの検証に焦点をあて,検索なしで事実チェックを行うタスクを提案する。
  論文  参考訳（メタデータ） (2026-03-05T18:42:51Z)
• ExpeL: LLM Agents Are Experiential Learners [57.13685954854463]
  実験学習エージェント(ExpeL)を導入し、パラメトリック更新を必要とせずにエージェント体験から学習できるようにする。 我々のエージェントは、経験を自律的に収集し、学習課題の集合から自然言語を用いて知識を抽出する。 推論において、エージェントは抽出された洞察と過去の経験をリコールし、情報的決定を行う。
  論文  参考訳（メタデータ） (2023-08-20T03:03:34Z)
• Toward Sustainable Continual Learning: Detection and Knowledge Repurposing of Similar Tasks [31.095642850920385]
  本稿では,連続学習者が類似タスクと異種タスクを混在させるパラダイムを提案する。 本稿では,追加学習を必要としないタスク類似度検出機能を用いた連続学習フレームワークを提案する。 実験の結果,提案フレームワークは広く使用されているコンピュータビジョンのベンチマークで競合的に動作することがわかった。
  論文  参考訳（メタデータ） (2022-10-11T19:35:30Z)
• Relational Experience Replay: Continual Learning by Adaptively Tuning Task-wise Relationship [54.73817402934303]
  本稿では,2段階の学習フレームワークである経験連続再生(ERR)を提案する。 ERRは、すべてのベースラインの性能を一貫して改善し、現在の最先端の手法を超えることができる。
  論文  参考訳（メタデータ） (2021-12-31T12:05:22Z)
• Evidentiality-guided Generation for Knowledge-Intensive NLP Tasks [59.761411682238645]
  Retrieval-augmented Generation Modelは、多くの知識集約型NLPタスクにまたがって最先端のパフォーマンスを示している。 生成器の訓練に、パスが出力をサポートするための正しい証拠を含むか否かに関わらず、パスの明快さを組み込む方法を導入する。
  論文  参考訳（メタデータ） (2021-12-16T08:18:47Z)

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。