論文の概要: EnvLunch: The Environment as a Free Lunch for Learning to Interact
- arxiv url: http://arxiv.org/abs/2610.33817v1
- Date: Sat, 24 Oct 2026 17:29:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.453769
- Title: EnvLunch: The Environment as a Free Lunch for Learning to Interact
- Title（参考訳）: EnvLunch: 対話を学習するためのフリーランチとしての環境
- Abstract要約: エージェントデータ分析では、言語モデルエージェントは、実行可能な環境と効果的に対話する方法を学ぶために、多くの注釈付きタスクを必要とすることが多い。
本研究では,環境信号を人間記述やモデル生成のタスク記述なしにエージェント訓練に変換する温暖化段階であるEnvLunchを提案する。
- 参考スコア（独自算出の注目度）: 25.032515724116962
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For agentic data analysis, language-model agents often require a large number of annotated tasks to learn how to interact effectively with executable environments (i.e., databases). While high-quality annotated tasks require heavy manual effort, an executable environment already provides rich interaction structure and verifiable outcomes. In this sense, the environment itself offers a free lunch, an additional set of verifiable tasks that require no human annotation. We propose EnvLunch, a warm-up stage that turns this environmental signal into agent training without human-written or model-generated task descriptions, before downstream agentic reinforcement learning. EnvLunch samples valid action trajectories, executes them to obtain final observations, and trains an agent to recover a functionally equivalent trajectory given only its final observation. This label-free warm-up enables the model to outperform the baseline by over 9 points on average across all downstream training budgets, and with few labels, the baseline needs 8 to 32 times as many annotated examples to match the accuracy that the EnvLunch model reaches at its smallest training budget. Letting the environment alone define the task yields a larger gain than having the model write its own tasks over the same environments, and this warm-up also improves fine-tuning on benchmarks beyond data analysis. EnvLunch therefore saves annotated tasks and provides a better starting point for fine-tuning agentic models when such tasks are limited.
- Abstract（参考訳）: エージェントデータ分析では、言語モデルエージェントは実行可能環境(データベース)と効果的に対話する方法を学ぶために、多くの注釈付きタスクを必要とすることが多い。
高品質なアノテートタスクには大量の手作業が必要ですが、実行環境はすでにリッチなインタラクション構造と検証可能な結果を提供しています。
この意味で、環境自体は無料のランチを提供しており、人間のアノテーションを必要としない検証可能なタスクのセットが追加されている。
本研究では,この環境信号を人手による記述やモデルによるタスク記述を伴わずにエージェント訓練に変換し,下流のエージェント強化学習に先立って行う温暖化段階であるEnvLunchを提案する。
EnvLunchは有効な行動軌跡をサンプリングし、最終観測を得るためにそれらを実行し、最終観測のみを与えられた機能的に等価な軌跡を回復するようエージェントに訓練する。
このラベルフリーウォームアップは、すべての下流トレーニング予算で平均9ポイント以上のベースラインを上回り、ラベルが少ないため、EnvLunchモデルが最小のトレーニング予算に到達した精度に合わせるために、アノテートされたサンプルの8倍から32倍のベースラインを必要とする。
このウォームアップは、データ分析以外のベンチマークの微調整も改善します。
従って、EnvLunchはアノテーション付きタスクを節約し、そのようなタスクが制限された場合に、微調整されたエージェントモデルのためのより良い出発点を提供する。
関連論文リスト
- Transformer-based In-Context Score Operator Learning for Diffusion Models [13.623694388702797]
拡散モデルのためのコンテキスト内ソリューション演算子学習フレームワークを提案する。
本手法では,コンテキストサンプル,ノイズの多いクエリポイント,タスク依存スコアへの拡散時間などをマッピングするコンテキスト内スコア演算子を学習する。
本研究では,Navier-Stokes,ERA5気候データ,QuickDrawスケッチ,Food-101など,さまざまな科学的および視覚的なデータセットについて評価を行った。
論文 参考訳（メタデータ） (2026-10-09T14:53:49Z) - Beyond Solvability: Task Learnability as a Static Prior for LLM RL Post-Training [52.78248352851176]
強化学習(Reinforcement Learning, RL)は、大規模言語モデルにおける推論能力を引き出すための訓練後のパラダイムである。
本研究では,この残差軸をタスク学習可能性として検討する。
そこで我々はTrajValを提案する。TrajValは、短いプローブランと2つのエンドポイント評価からタスク毎の学習可能性を近似する軽量なプローブベース推定器である。
論文 参考訳（メタデータ） (2026-08-10T07:43:05Z) - Understanding the Transferability of Representations via Task-Relatedness [8.425690424016986]
本稿では,事前学習したモデルの下流タスクへの表現の伝達可能性について,その参照タスクとの関連性の観点から分析する。
最先端の事前学習モデルを用いた実験は、様々な視覚や言語タスクにおける伝達可能性の説明におけるタスク関連性の有効性を示す。
論文 参考訳（メタデータ） (2023-07-03T08:06:22Z) - USB: A Unified Summarization Benchmark Across Tasks and Domains [68.82726887802856]
ウィキペディア由来のベンチマークを導入し、クラウドソースアノテーションの豊富なセットを補完し、8ドルの相互関連タスクをサポートする。
このベンチマークで様々な手法を比較し、複数のタスクにおいて、中程度の大きさの微調整されたモデルが、より大きな数発の言語モデルよりも一貫して優れていることを発見した。
論文 参考訳（メタデータ） (2023-05-23T17:39:54Z) - Composite Learning for Robust and Effective Dense Predictions [81.2055761433725]
マルチタスク学習は、目標タスクを補助タスクと協調的に最適化することで、より優れたモデル一般化を約束する。
自己監督型(補助的)タスクと密接な予測(目標)タスクを共同でトレーニングすることで、目標タスクの性能を継続的に向上し、補助タスクのラベル付けの必要性を排除できることが判明した。
論文 参考訳（メタデータ） (2022-10-13T17:59:16Z) - Task Compass: Scaling Multi-task Pre-training with Task Prefix [122.49242976184617]
既存の研究では、大規模教師付きタスクによるマルチタスク学習がタスク間の負の効果に悩まされていることが示されている。
タスク間の関係を探索するために,タスクプレフィックスガイド付きマルチタスク事前学習フレームワークを提案する。
我々のモデルは、幅広いタスクの強力な基盤バックボーンとして機能するだけでなく、タスク関係を分析するための探索ツールとしても実現可能である。
論文 参考訳（メタデータ） (2022-10-12T15:02:04Z) - Adaptive Task Sampling for Meta-Learning [79.61146834134459]
数ショットの分類のためのメタラーニングの鍵となるアイデアは、テスト時に直面した数ショットの状況を模倣することである。
一般化性能を向上させるための適応型タスクサンプリング手法を提案する。
論文 参考訳（メタデータ） (2020-07-17T03:15:53Z) - Intermediate-Task Transfer Learning with Pretrained Models for Natural
Language Understanding: When and Why Does It Work? [44.88358841370665]
特定の目標タスクに対して、中間タスクトレーニングが有益である時期と理由についてはあまり理解されていない。
110の中間目標タスクの組み合わせで事前学習したRoBERTaモデルを大規模に検討する。
高いレベルの推論と推論能力を必要とする中間タスクが最善である傾向が観察された。
論文 参考訳（メタデータ） (2020-05-01T21:49:34Z) - Low Resource Multi-Task Sequence Tagging -- Revisiting Dynamic
Conditional Random Fields [67.51177964010967]
異なるタスクに対するラベルシーケンス間の依存関係を利用する低リソースマルチタスクシーケンスタグの異なるモデルを比較した。
タスク予測間の相互依存性の明示的モデリングは、通常のマルチタスクモデルと同様にシングルタスクよりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-05-01T07:11:34Z) - Task-Adaptive Clustering for Semi-Supervised Few-Shot Classification [23.913195015484696]
未確認のタスクを、少量の新しいトレーニングデータだけで処理することを目的としている。
しかし、数ショットの学習者が準備(メタトレーニング)する際には、大量のラベル付きデータが必要である。
そこで本研究では,トレーニングデータの大部分がラベル付けされていない半教師付き環境下で動作可能な,数発の学習者を提案する。
論文 参考訳（メタデータ） (2020-03-18T13:50:19Z)
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。