Fugu-MT 論文翻訳(概要): ECHOES: Seeing Beyond the Current Image via Recursive History Compression and Privileged On-Policy Distillation

論文の概要: ECHOES: Seeing Beyond the Current Image via Recursive History Compression and Privileged On-Policy Distillation

arxiv url: http://arxiv.org/abs/2610.22408v1
Date: Wed, 14 Oct 2026 14:39:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-20 00:56:07.578497
Title: ECHOES: Seeing Beyond the Current Image via Recursive History Compression and Privileged On-Policy Distillation
Title（参考訳）: ECHOES: 再帰的ヒストリ圧縮とプリヴィレジッドオン・ポリシィ蒸留による現在のイメージを超えて見る
Abstract要約: ロングホライゾンGUIエージェントは、タスク状態を維持するために視覚的履歴に依存するが、歴史的スクリーンショットを保持することで視覚的な使用率と推論コストが増大する。本稿では,テキスト履歴の圧縮を指導し,長期的推論を強化するための訓練時間特権情報を活用するECHOESを提案する。 ECHOESは、好適なパフォーマンス推論コストのトレードオフによって競争性能を達成し、目に見えない視覚計画タスクへの肯定的なゼロショット転送を示す。
参考スコア（独自算出の注目度）: 8.30268009110999
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Long-horizon GUI agents rely on visual history to maintain task states, but retaining historical screenshots increases visual-token usage and inference costs, while textual summaries can discard critical state information, undermining long-horizon reliability. We propose ECHOES, which leverages training-time privileged information to guide textual history compression and strengthen long-horizon reasoning. Specifically, ECHOES adopts a Compression-Think-Action (CTA) format to recursively update a textual history state and reason. The same model, given privileged multi-image inputs, serves as a teacher that provides dense token-level on-policy distillation on student-generated CTA rollouts. Our Perception-Memory Fidelity (PMF) Gap-guided OPD-RL framework dynamically balances privileged distillation and task-reward optimization, with periodic teacher updates supporting continued improvement. We further introduce ECHOESBMK, a fine-grained diagnostic benchmark derived from real GUI agent failure trajectories to jointly evaluate visual perception and cross-modal state retention. Experiments on four GUI benchmarks and ECHOESBMK demonstrate substantial gains in task performance and memory fidelity. Without retaining historical screenshots at deployment, ECHOES achieves competitive performance with a favorable performance-inference-cost trade-off and exhibits positive zero-shot transfer to unseen visual planning tasks.
Abstract（参考訳）: ロングホライゾンGUIエージェントはタスク状態を維持するために視覚的履歴に依存するが、歴史的スクリーンショットを保持することで視覚的トーケンの使用量や推論コストが増加し、テキスト要約は重要な状態情報を破棄し、ロングホライゾンの信頼性を損なう。本稿では,テキスト履歴の圧縮を指導し,長期的推論を強化するための訓練時間特権情報を活用するECHOESを提案する。具体的には、ECHOESはCompression-Think-Action(CTA)フォーマットを採用し、テキスト履歴の状態と理由を再帰的に更新する。特権的なマルチイメージ入力が与えられた同じモデルは、学生が生成したCTAロールアウトに密集したトークンレベルのオンライン蒸留を提供する教師として機能する。我々のパーセプション・メモリ・フィデリティ(PMF) ギャップ誘導PD-RLフレームワークは、特権蒸留とタスク・リワード最適化を動的にバランスさせ、定期的な教師更新は継続的な改善をサポートする。さらに,実際のGUIエージェント障害軌跡から得られた細粒度診断ベンチマークECHOESBMKを導入し,視覚知覚とモード間状態保持を協調的に評価する。 4つのGUIベンチマークとECHOESBMKの実験では、タスク性能とメモリ忠実度が大幅に向上した。デプロイ時に過去のスクリーンショットを保持せずに、ECHOESは、好適なパフォーマンス推論コストのトレードオフで競合パフォーマンスを達成し、目に見えないビジュアル計画タスクへの肯定的なゼロショット転送を示す。

関連論文リスト

DVTR-KD: Distilling Vision-Language Models via Intermediate Visual Token Reconstruction [12.942185708706115]
我々は,textbfDense textbfVisual textbfToken textbfReconstructionに基づく知識蒸留フレームワークDVTR-KDを提案する。視覚情報読取に重要な中間層への入力において,最後のLCM層以降の視覚状態を再構成する。
論文参考訳（メタデータ） (2026-10-13T07:18:14Z)
SCOPD: Sparse-Context On-Policy Self-Distillation for Efficient Vision-Language Models [55.58944962370152]
視覚言語モデルの推論は、画像とビデオを視覚トークンの長いシーケンスとして処理し、推論を高価にする。トレーニング不要なトークンプルーニングでは,このコストが削減されるが,アグレッシブ圧縮は性能を著しく低下させる可能性がある。本稿では,学生がプルーニングされた視覚トークンから推論トラジェクトリを生成する,スパース・コンテクスト・オン・ポリティクス・セルフ蒸留フレームワークであるSCOPDを紹介する。
論文参考訳（メタデータ） (2026-09-28T00:09:07Z)
SE-GA: Memory-Augmented Self-Evolution for GUI Agents [17.051355070847166]
自己進化GUIエージェント(Self-Evolving GUI Agent、SE-GA)は、階層型メモリ構造と反復的自己改善機構を統合する新しいフレームワークである。継続的学習を保証するため、メモリ拡張自己進化(MASE)を導入します。
論文参考訳（メタデータ） (2026-05-16T08:51:57Z)
Rethinking Token Pruning for Historical Screenshots in GUI Visual Agents: Semantic, Spatial, and Temporal Perspectives [20.029839773427298]
GUIシナリオにおける過去のスクリーンショットに対するトークンプルーニングについて検討する。 GUIスクリーンショットには,前景と背景のセマンティックな構成が特徴的であることがわかった。また,GUIエージェントが人間の認知に類似した再発効果を示すことも観察した。
論文参考訳（メタデータ） (2026-03-27T03:21:19Z)
Unleashing the Power of Vision-Language Models for Long-Tailed Multi-Label Visual Recognition [55.189113121465816]
本稿では,長い尾を持つ多ラベル視覚認識のための新しい相関適応プロンプトネットワーク(CAPNET)を提案する。 CAPNETはCLIPのテキストエンコーダからの相関を明示的にモデル化する。テスト時間アンサンブルによる一般化を改善し、視覚・テクスチャのモダリティを実現する。
論文参考訳（メタデータ） (2025-11-25T18:57:28Z)
History-Aware Reasoning for GUI Agents [15.519853892615272]
現在の手法では、強化学習とSystem-2 Chain-of-Thoughtを統合しており、強化の推論において顕著な利益を得ている。本稿では,エージェントが自分自身の誤りを反映し,仮説的推論の知識を取得することを促すヒストリー・アウェア・推論フレームワークを提案する。本研究では,HAR-GUI-3Bというネイティブ・エンド・ツー・エンド・モデルを開発した。
論文参考訳（メタデータ） (2025-11-12T09:06:25Z)
Activation-aware Probe-Query: Effective Key-Value Retrieval for Long-Context LLMs Inference [56.71209737306054]
我々は,プローブ-textbfQuery を動的に決定し,関連する textbfKV ペアを推論するために利用する,トレーニングフリーの textbfActivation-aware アプローチである textbfActQKV を提案する。 Long-Bench と $infty$ Benchmarks の実験では、競合する推論品質とリソース効率を備えた最先端のパフォーマンスが実証されている。
論文参考訳（メタデータ） (2025-02-19T08:50:44Z)
Instance-Aware Graph Prompt Learning [71.26108600288308]
本稿では,インスタンス対応グラフプロンプト学習(IA-GPL)について紹介する。このプロセスでは、軽量アーキテクチャを使用して各インスタンスの中間プロンプトを生成する。複数のデータセットと設定で実施された実験は、最先端のベースラインと比較して、IA-GPLの優れたパフォーマンスを示している。
論文参考訳（メタデータ） (2024-11-26T18:38:38Z)
TACO: Temporal Latent Action-Driven Contrastive Loss for Visual Reinforcement Learning [73.53576440536682]
時間的行動駆動型コントラスト学習(TACO: Temporal Action-driven Contrastive Learning)は、時間的コントラスト学習の強力なアプローチである。 TACOは、現在の状態の表現間の相互情報を最適化することにより、状態と行動表現を同時に学習する。オンラインRLでは、TACOは100万の環境インタラクションステップの後、40%のパフォーマンス向上を実現している。
論文参考訳（メタデータ） (2023-06-22T22:21:53Z)
A Closer Look at Temporal Sentence Grounding in Videos: Datasets and Metrics [70.45937234489044]
2つの広く使用されているTSGVデータセット(Charades-STAとActivityNet Captions)を再編成し、トレーニング分割と異なるものにします。基本的なIoUスコアを校正するために、新しい評価基準「dR@$n$,IoU@$m$」を導入する。すべての結果は、再編成されたデータセットと新しいメトリクスがTSGVの進捗をよりよく監視できることを示している。
論文参考訳（メタデータ） (2021-01-22T09:59:30Z)

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。