論文の概要: CoEvolve: Counterfactual-Guided Co-Evolution of Memory and Collaboration in Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2610.33539v1
• Date: Sat, 24 Oct 2026 08:35:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.356079
• Title: CoEvolve: Counterfactual-Guided Co-Evolution of Memory and Collaboration in Multi-Agent Systems
• Title（参考訳）: CoEvolve: マルチエージェントシステムにおけるメモリとコラボレーションの対実的ガイドによる共進化
• Abstract要約: 大規模言語モデル(LLM)に基づくマルチエージェントシステムは、多様なタスクにまたがる顕著な機能を示した。 しかし、メモリとコラボレーティブアーキテクチャは静的のままで、時間の経過とともに継続的な適応と改善を制限します。 最近の作業では、メモリの進化やインタラクションエクスペリエンスに基づいたコラボレーションによって、この制限に対処しています。 本稿では,メモリアライメント・コラボレーション進化のためのスキル中心のフレームワークであるCoEvolveを提案する。
• 参考スコア（独自算出の注目度）: 11.43999584298114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM)-based multi-agent systems have demonstrated remarkable capabilities across diverse tasks. Yet their memory and collaboration architectures often remain static, constraining continued adaptation and improvement over time. Recent work addresses this limitation by evolving memory or collaboration based on interaction experience. However, updates to these interdependent components are not necessarily aligned: an evolved workflow may require experience that memory does not provide, while evolved memory may encode guidance that the workflow cannot use. To address this problem, we propose CoEvolve, a skill-centered framework for aligned memory--collaboration evolution. CoEvolve represents reusable local collaboration patterns as skills that link evolving collaboration decisions to their supporting memories. It further compares original and counterfactual trajectories to identify local evolution signals, which coordinate updates to the skill library, skill memory, and executor memories across rounds. Experiments on the ALFWorld and WebShop benchmarks confirm that CoEvolve achieves the best overall performance among the evaluated baselines, while ablation studies further validate the effectiveness of aligned co-evolution and counterfactual-guided evolution.
• Abstract（参考訳）: 大規模言語モデル(LLM)に基づくマルチエージェントシステムは、多様なタスクにまたがる顕著な機能を示した。 しかし、メモリとコラボレーティブアーキテクチャは静的のままで、時間の経過とともに継続的な適応と改善を制限します。 最近の作業では、メモリの進化やインタラクションエクスペリエンスに基づいたコラボレーションによって、この制限に対処しています。 進化したワークフローは、メモリが提供しないエクスペリエンスを必要とし、進化したメモリはワークフローが使用できないガイダンスをエンコードする。 この問題に対処するため,我々は,メモリアライメント・コラボレーション進化のためのスキル中心のフレームワークであるCoEvolveを提案する。 CoEvolveは、再利用可能なローカルなコラボレーションパターンを、コラボレーション決定の進化とサポートする記憶を結びつけるスキルとして表現している。 さらに、オリジナルとデファクトのトラジェクトリを比較して、局所的な進化信号を特定し、スキルライブラリ、スキルメモリ、実行時のメモリを丸ごと調整する。 ALFWorldとWebShopベンチマークの実験では、CoEvolveは評価されたベースラインの中で最高の全体的なパフォーマンスを達成し、アブレーション研究は協調進化と反事実誘導進化の有効性をさらに検証している。

関連論文リスト

• EvolveMAS: A Unified Self-Evolution Framework for Decentralized Multi-Agent Systems [54.923646165310345]
  エピソード内およびエピソード間の体験駆動適応をサポートする統合自己進化フレームワークを提案する。 EvolveMASは、適応を2つの補完的なプロセス、Inside-Episode Online AdaptationとCross-Episode Knowledge Evolutionに分類する。 その結果,テスト時メモリガバナンスとクロスエポゾド知識の再利用により,パフォーマンスが向上することがわかった。
  論文  参考訳（メタデータ） (2026-10-25T17:09:49Z)
• V-Gym: Enhancing Agentic Visual Reasoning via Skill-Data Co-Evolution [68.43599428916389]
  V-Gymは、手続き的なスキルと実行軌跡からのマルチモーダルな実践データを反復的に進化させる、自律的なフレームワークである。 スキル進化の過程で、V-Gymは軌道を分析して階層的なスキルを蒸留し、洗練し、手続き的なガイダンスと適用性条件を更新する。 結果として得られた実践結果は、その後のスキル更新にフィードバックされ、継続的なスキル改善のループを閉じます。
  論文  参考訳（メタデータ） (2026-09-28T09:09:24Z)
• EvolveNet: Collaborative Harness Evolution for Agent Self-Improvement [70.68218215070745]
  既存のアプローチでは、すべての実行エクスペリエンスを単一のハーネスにルーティングできると仮定している。 EvolveNetは、経験抽出をデータに移動させるハーネス進化のパラダイムである。
  論文  参考訳（メタデータ） (2026-08-05T15:37:18Z)
• Learning What to Remember and What to Internalize in LLM Self-Evolution via Adaptive Memory-Parameter Coordination [40.98046592234726]
  我々は,統合エージェントの自己進化フレームワークであるCOVEを紹介する。 これは、タスク対応ルーティング、ステージ対応スケジューリング、知識最適化を通じて、ハーネスベースとパラメータベースの学習を組み合わせる。 COVEは単一チャネルの進化戦略より優れており、環境の変化によるより堅牢で効率的な改善を実証している。
  論文  参考訳（メタデータ） (2026-08-02T13:39:01Z)
• Teaching LLMs to Self-Evolve: Cultivating Core Meta-Skills with Reinforcement Learning [51.17262419591891]
  AlphaEvolveが示すように、環境フィードバックによる反復的自己進化によるテスト時間のスケーリングは、顕著なパフォーマンス向上を示している。 本稿では,データ合成パイプライン,進化対応強化学習,推論時進化探索によるメタスキル開発を目的としたMetaEvolveを提案する。
  論文  参考訳（メタデータ） (2026-07-24T04:35:29Z)
• OPD-Evolver: Cultivating Holistic Agent Evolver via On-Policy Distillation [71.57258488733974]
  メモリは、自己進化エージェントの標準的な基盤になっているが、その経験を維持することは、それを通して進化する方法を学ぶことと同じではない。 OPD-Evolver(英語版)は、政策上の自己蒸留を通じて、そのようなエージェントを進化させる緩やかな共進化フレームワークである。
  論文  参考訳（メタデータ） (2026-06-16T07:33:53Z)
• MemEvolve: Meta-Evolution of Agent Memory Systems [66.09735157017558]
  自己進化型メモリシステムは、大型言語モデル(LLM)ベースのエージェントの進化パラダイムを前例のない形で再構築している。 MemeEvolveは、エージェントの経験的知識とメモリアーキテクチャを共同で進化させるメタ進化フレームワークである。 EvolveLabは、12の代表的なメモリシステムをモジュール設計空間に蒸留する、統一された自己進化型メモリである。
  論文  参考訳（メタデータ） (2025-12-21T14:26:14Z)

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。