論文の概要: Selm: Self-Evolving Library Management for Multi-Skill Agent Optimization

• arxiv url: http://arxiv.org/abs/2610.24630v1
• Date: Sat, 17 Oct 2026 11:07:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 17:16:10.191738
• Title: Selm: Self-Evolving Library Management for Multi-Skill Agent Optimization
• Title（参考訳）: Selm: マルチスキルエージェント最適化のための自己進化型ライブラリ管理
• Abstract要約: 本稿では,SELM(Self-Evolving Library Management)について紹介する。 SELMは、スキルの信頼性とユーティリティ信号を維持することにより、スキル検索、更新、ライフサイクルを共同で管理する。 各種タスクと実行環境をカバーする4つのエージェントベンチマーク上でSELMを評価し,SELMはほとんどの設定において一貫して性能が向上することを示した。
• 参考スコア（独自算出の注目度）: 17.57048280588126
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM) agents increasingly use skills as a lightweight way to acquire task-specific knowledge. Recent work enables skills to evolve from task trajectories. However, these methods often lack systematic management of evolved skills, making it difficult for agents to reuse and accumulate skills across domains, thus limiting performance on subsequent tasks.To reliably accumulate, reuse, and maintain useful skills across tasks, we present SELM (Self-Evolving Library Management), a framework that formulates skill evolution as library-level management. SELM jointly manages skill retrieval, updating, and lifecycle by maintaining skill confidence and utility signals. It introduces utility-aware retrieval to select useful skills, a Map-Reduce framework to generate targeted updates from task-specific experience, and lifecycle controls to retain or remove skills based on their effectiveness. These mechanisms enable the skill library to continuously accumulate useful experience while preserving and pruning skills across tasks, improving agent performance on complex tasks across diverse domains. We evaluate SELM on four agent benchmarks covering diverse tasks and execution environments, and SELM consistently outperforms in most settings.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、タスク固有の知識を取得するための軽量な方法としてスキルをますます利用している。 最近の仕事によって、タスクの軌跡からスキルを進化させることができる。 しかし、これらの手法は、進化したスキルの体系的な管理を欠くことが多く、エージェントがドメイン間でのスキルの再利用と蓄積を困難にし、その後のタスクにおけるパフォーマンスを抑え、タスク間で有用なスキルを確実に蓄積、再利用、維持するために、ライブラリレベルの管理としてスキルの進化を定式化するSELM(Self-Evolving Library Management)を提案する。 SELMは、スキルの信頼性とユーティリティ信号を維持することにより、スキル検索、更新、ライフサイクルを共同で管理する。 有用なスキルを選択するためのユーティリティアウェア検索、タスク固有のエクスペリエンスからターゲットとする更新を生成するMap-Reduceフレームワーク、その有効性に基づいてスキルを保持または削除するためのライフサイクルコントロールが導入されている。 これらのメカニズムにより、スキルライブラリは、タスク間でのスキルの保存とプルーニングをしながら、有用なエクスペリエンスを継続的に蓄積し、さまざまなドメインにわたる複雑なタスクにおけるエージェントのパフォーマンスを向上させることができる。 各種タスクと実行環境をカバーする4つのエージェントベンチマーク上でSELMを評価し,SELMはほとんどの設定において一貫して性能が向上することを示した。

関連論文リスト

• You Live More Than Once: Towards Hierarchical Skill Meta-Evolving [92.6633152185458]
  テストタイムスキルの進化はエージェントシステムを強化するための新しいパラダイムと見なされている。 エージェントシステムの継続的改善には,スキル進化フレームワークの試験時間改善が不可欠であることを示す。 軽量な階層型スキルメタ進化ソリューションであるHiSMEを提案する。
  論文  参考訳（メタデータ） (2026-05-27T12:26:49Z)
• MUSE-Autoskill: Self-Evolving Agents via Skill Creation, Memory, Management, and Evaluation [14.16890033854702]
  大規模言語モデル(LLM)エージェントは複雑なタスクを解決するために再利用可能なスキルに依存している。 既存のスキル創造アプローチは、スキルを独立した静的アーティファクトとして扱い、再利用性、信頼性、長期的な改善を制限する。 MUSE-Autoskill Agentは、エージェントがタスク解決能力を継続的に改善できるスキル中心のエージェントフレームワークである。
  論文  参考訳（メタデータ） (2026-05-26T17:59:19Z)
• SkillOS: Learning Skill Curation for Self-Evolving Agents [67.94374107466957]
  本稿では,自己進化エージェントのスキルキュレーションを学習するための,経験駆動型RLトレーニングレシピであるSkillOSを提案する。 SkillOSは、凍結したエージェントエグゼキュータとトレーニング可能なスキルキュレーターを組み合わせて、蓄積したエクスペリエンスから外部SkillRepoを更新する。 SkillOSは、メモリフリーと強力なメモリベースラインを、有効性と効率の両方で一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-05-07T17:31:50Z)
• SkillLearnBench: Benchmarking Continual Learning Methods for Agent Skill Generation on Real-World Tasks [32.195367070060904]
  SkillLearnBenchは連続的なスキル学習手法を評価するための最初のベンチマークである。 継続的学習は、明確で再利用可能なタスクを改善するが、オープンなタスクでは苦労する。 我々のデータとコードはhttps://github.com/cscmu/SkillLearnBench.comでオープンソース化されています。
  論文  参考訳（メタデータ） (2026-04-22T01:07:37Z)
• SkillCraft: Can LLM Agents Learn to Use Tools Skillfully? [67.69996753743129]
  SkillCraftは、高レベルのツールコンポジションの生成と再利用を可能にする、明示的にストレステストエージェントのベンチマークである。 SkillCraftは、定量次元と構造次元の両方に沿ってスケールする困難を伴う、現実的で、構成性の高いツール使用シナリオを特徴としている。 本稿では,エージェントがアトミックツールを実行可能なスキルに自動生成し,タスク内およびタスク間のキャッシュと再利用を可能にする軽量な評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2026-02-28T15:44:31Z)
• Reinforcement Learning for Self-Improving Agent with Skill Library [14.717149089634718]
  大規模言語モデル(LLM)に基づくエージェントは、複雑な推論とマルチターン相互作用において顕著な機能を示した。 有望なアプローチの1つは、エージェントが新しいスキルを学び、検証し、適用できるスキルライブラリを実装することである。 スキルライブラリによるエージェントの自己改善能力を高めるための強化学習(RL)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2025-12-18T21:58:19Z)
• Goal-Oriented Skill Abstraction for Offline Multi-Task Reinforcement Learning [25.18006424626525]
  GO-Skillは、再利用可能なスキルを抽出し、活用し、知識伝達とタスクパフォーマンスを向上させるために設計された新しいアプローチである。 本稿では,目標志向のスキル抽出プロセスを通じて再利用可能なスキルを明らかにし,ベクトル量子化を活用して個別のスキルライブラリを構築する。 我々はこれらのスキルを階層的な政策学習を用いて統合し、個別のスキルを動的に編成して特定のタスクを遂行するハイレベルなポリシーの構築を可能にする。
  論文  参考訳（メタデータ） (2025-07-09T07:54:49Z)
• LifelongAgentBench: Evaluating LLM Agents as Lifelong Learners [51.518410910148816]
  しかし、現在の大規模言語モデル(LLM)ベースのエージェントは、状態のままであり、時間とともに知識を蓄積または転送することができない。 LLMエージェントの生涯学習能力を体系的に評価するために設計された最初の統合ベンチマークであるLifelongAgentBenchを紹介する。
  論文  参考訳（メタデータ） (2025-05-17T10:09:11Z)
• SPECI: Skill Prompts based Hierarchical Continual Imitation Learning for Robot Manipulation [3.1997825444285457]
  動的非構造環境における現実世界のロボット操作は、進化するオブジェクト、シーン、タスクに対して生涯の適応性を必要とする。 伝統的な模倣学習は、生涯適応に不適な静的な訓練パラダイムに依存している。 我々は,ロボット操作のための新しいエンドツーエンドの階層型CILポリシーアーキテクチャである,スキル・プロンプトに基づく階層型連続模倣学習(SPECI)を提案する。
  論文  参考訳（メタデータ） (2025-04-22T03:30:38Z)
• Discovering Generalizable Skills via Automated Generation of Diverse Tasks [82.16392072211337]
  本稿では,多種多様なタスクの自動生成による一般化可能なスキルの発見手法を提案する。 教師なしスキル発見の先行研究とは対照的に,本手法では各スキルをトレーニング可能なタスクジェネレータが生成するユニークなタスクとペアリングする。 生成したタスクにおけるロボットの動作に定義されたタスク判別器を共同で訓練し、多様性目標の低いエビデンスを推定する。 学習スキルは階層的な強化学習アルゴリズムで構成され、目に見えない目標タスクを解決する。
  論文  参考訳（メタデータ） (2021-06-26T03:41:51Z)
• MT-Opt: Continuous Multi-Task Robotic Reinforcement Learning at Scale [103.7609761511652]
  大規模集団ロボット学習システムが,行動のレパートリーを同時に獲得できることを示す。 新しいタスクは、以前学んだタスクから継続的にインスタンス化できる。 我々は,7台のロボットから収集したデータを用いて,実世界のタスク12組でシステムを訓練し,評価する。
  論文  参考訳（メタデータ） (2021-04-16T16:38:02Z)

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。