論文の概要: Recursive Code Evolution for Task-Oriented Semantic Communications

• arxiv url: http://arxiv.org/abs/2610.29641v1
• Date: Wed, 21 Oct 2026 12:23:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.356373
• Title: Recursive Code Evolution for Task-Oriented Semantic Communications
• Title（参考訳）: タスク指向セマンティック通信のための再帰的コード進化
• Abstract要約: 本稿ではComRSI(Communications-Oriented Recursive Self-Improvement)を紹介する。 固定エージェントは、エンコーダ、チャネルアダプタ、デコーダ、損失、トレーニングポリシーを変更する。 承認されたコードとテキストフィードバックは、その後の提案を通知する。
• 参考スコア（独自算出の注目度）: 22.693356776607747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic communication jointly optimizes inference accuracy, channel use, and computation, yet the underlying communication program is typically specified before training. This paper presents ComRSI (Communications-Oriented Recursive Self-Improvement), a framework for recursively evolving that program through large-language-model-assisted code edits. A fixed agent modifies the encoder, channel adapters, decoder, loss, and training policy; a protected evaluator screens candidates under prescribed budgets and resource constraints. Accepted code and textual feedback inform subsequent proposals, while candidate weights are trained from scratch. In the original ten-generation CIFAR-100 lineage, eight accepted revisions produce an attention-pooled code achieving 74.3% test accuracy over an Additive White Gaussian Noise (AWGN) channel at 32 complex symbols per image, compared with 67.2% at 256 symbols for the initial design. The program also improves fading-channel accuracy and transfers to Tiny-ImageNet after retraining. A repeat study with ten searches per method compares ComRSI against non-recursive agents with and without textual history. Mean final search scores balancing accuracy, transmission rate, and computational cost are 0.7587, 0.7376, and 0.7089, respectively; the mean numbers of accepted revisions per search are 6.0, 5.0, and 2.1. The advantage over the memoryless agent is supported by a two-sided rank test, whereas the difference from the history-equipped agent remains statistically inconclusive at this sample size. Archived proposals show that pooling can yield a large improvement, while retained history supports subsequent refinement. These results support recursive program optimization within the evaluated setting and expose its remaining rate-robustness and compute-placement trade-offs.
• Abstract（参考訳）: セマンティック通信は推論精度、チャネル使用、計算を共同で最適化するが、基礎となる通信プログラムは通常訓練前に特定される。 本稿では,Communications-Oriented Recursive Self-Improvement(ComRSI)を提案する。 固定エージェントは、エンコーダ、チャネルアダプタ、デコーダ、損失、トレーニングポリシーを変更する。 承認されたコードとテキストフィードバックがその後の提案を通知する一方で、候補の重みはゼロからトレーニングされる。 オリジナルの10世代CIFAR-100シリーズでは、8つの改訂版が注目されたコードを生成し、1画像あたり32の複雑なシンボルで追加のホワイトガウスノイズ(AWGN)チャンネルに対して74.3%の精度でテストを行った。 プログラムはまた、フェイディングチャネルの精度を改善し、再トレーニング後にTiny-ImageNetに転送する。 ComRSIを非再帰的エージェントとテキスト履歴のないエージェントと比較する。 最終的な検索スコアは、それぞれ0.7587、0.7376、0.7089であり、検索毎に受け入れられたリビジョンの平均値は6.0、5.0、および2.1である。 メモリレス剤に対する優位性は、二段階のランク試験によって支持されるが、履歴対応剤との違いは、このサンプルサイズでは統計的に決定的ではない。 アーカイブされた提案では、プールは大きな改善をもたらすが、歴史はその後の改良をサポートする。 これらの結果は、評価された設定内で再帰的プログラムの最適化をサポートし、残りのレート・ロバスト性および計算配置トレードオフを明らかにする。

関連論文リスト

• QuantForge: Discovering Residual Decompositions for MXFP4 Post-Training Quantization [12.24682066234241]
  トレーニング後の量子化は、大きな言語モデルのメモリ要求を減らすことができるが、厳密なMXFP4 W4A4の下での精度を保つには、いくつかの設計上の選択を調整する必要がある。 競合する説明を記録するPTQ発見システムであるQuantForgeを導入し、それらを区別する制御を選択し、後継コードが結果の結論を実装することをチェックする。 我々は,制御されたエビデンスをその後のプログラム変更に変換することにより,転送可能なPTQアルゴリズムの発見を改善することを示す。
  論文  参考訳（メタデータ） (2026-09-28T09:08:55Z)
• Selective Amortization of Full-Budget Counterfactual Reasoning for Visual Token Communication [9.80800686970189]
  ACV-Gateは、フル予算の対実評価を近似するために学習する適応型候補評価フレームワークである。 CIFAR-10 実験の結果,ACV-Gate の再現性は安定的に向上し,候補評価を大幅に低減した。
  論文  参考訳（メタデータ） (2026-09-25T03:31:35Z)
• Robustness of LLM-Generated SystemVerilog Assertions to Semantics-Preserving RTL Transformations [0.0]
  大規模言語モデル(LLM)は、SystemVerilog Assertion(SVA)の自動生成のために、ますます研究されている。 ほとんどの評価では、入力の単一の構文表現に正確さを報告している。 そのような点の精度は、モデルの正しい出力が同じRTLの振る舞いが異なる場合に安定であるかどうかを明らかにしない。
  論文  参考訳（メタデータ） (2026-09-04T18:41:58Z)
• Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems [67.04448659688579]
  クエリ非依存の16エントリのコードブックを開発し、上位のデコード候補を1回のバッチフォワードパスでランク付けする。 反復検索がなく、テスト時にメッセージパッシングがないため、Codebook Agentは6つのベンチマークでもっとも正確な方法である。
  論文  参考訳（メタデータ） (2026-09-02T08:10:22Z)
• TI-StegoAlign: Channel-Guided Post-Training for Generative Text Steganography under Tokenization Inconsistency [20.336143930874993]
  LLMエージェントはタスク関連メッセージを通じて秘密情報を交換する。 ほとんどの方法は送信側トークンのリカバリを評価するが、受信側は表面テキストのみを観察する。 脱トークン化とレシーバ側再トークン化はトークン境界を変更し、コーディング状態をデ同期させ、そのような評価をレシーバ側リカバリを過大評価する。 本稿では,チャネル誘導後学習フレームワークTI-StegoAlignを提案する。
  論文  参考訳（メタデータ） (2026-08-01T01:45:50Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• Converted, Not Equivalent: Benchmarking Codebase Conversion via Observational Equivalence [56.25095230687242]
  コーディングエージェントは、しばしば自身のローカル検証ルーチンを過度に信頼し、表面チェックを満たすアーティファクトの成功を宣言する。 この問題は、事前評価が結果駆動である変換において特に深刻である。 ブラインド・コンバージョンは26.7-28.9%に達し、スペック・パスレートは91.1%まで上昇した。 このことは、失敗は限られた予算やバックボーンの強さよりも、契約ミスによる自己検証に起因していることを示唆している。
  論文  参考訳（メタデータ） (2026-05-27T19:57:15Z)
• FidelityGPT: Correcting Decompilation Distortions with Retrieval Augmented Generation [23.291593625603653]
  逆コンパイルはマシンコードを可読形式に変換し、ソースコードなしで解析とデバッグを可能にする。 変数のリネームや構造的単純化といった既存の手法は部分的な改善を提供するが、堅牢な検出と修正は欠如している。 本稿では,意味的歪みを系統的に検出し,修正することにより,デコンパイルされたコード精度と可読性を向上するフレームワークであるFidelityGPTを提案する。
  論文  参考訳（メタデータ） (2025-10-22T14:11:44Z)
• EquiBench: Benchmarking Large Language Models' Reasoning about Program Semantics via Equivalence Checking [58.15568681219339]
  大規模言語モデル(LLM)を評価するための新しいベンチマークであるEquiBenchを紹介する。 このタスクは、プログラムのセマンティクスについて推論するモデルの能力を直接テストする。 19の最先端LCMを評価し、最も難しいカテゴリでは、最高の精度は63.8%と76.2%であり、50%のランダムベースラインよりわずかに高い。
  論文  参考訳（メタデータ） (2025-02-18T02:54:25Z)
• On Addressing Practical Challenges for RNN-Transduce [72.72132048437751]
  オーディオデータを収集することなく、よく訓練されたRNN-Tモデルを新しいドメインに適応します。 復号時に計算された複数の特徴を利用して単語レベルの信頼度を求める。 提案手法では,平均で50ms以下の単語のタイミング差が得られる。
  論文  参考訳（メタデータ） (2021-04-27T23:31:43Z)

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。