論文の概要: SKALOS: Learning to Distinguish Similar Skills with Capability Graphs

• arxiv url: http://arxiv.org/abs/2610.34728v1
• Date: Mon, 26 Oct 2026 02:25:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.685021
• Title: SKALOS: Learning to Distinguish Similar Skills with Capability Graphs
• Title（参考訳）: SKALOS: 機能グラフで類似スキルを識別する学習
• Abstract要約: SKALOSはグラフネイティブなリランカで、明示的な能力証拠を通じてスキルを比較する。 SkillRetの実験によると、SKALOSは一致したテキストのみのリランカに対して、NDCG@10を2.68ポイント改善している。
• 参考スコア（独自算出の注目度）: 28.47511238800954
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Skills provide LLM agents with reusable procedural knowledge, making appropriate skill selection essential for reliable agent behavior. As skill libraries expand, distinguishing semantically similar candidates becomes increasingly difficult. Existing methods encode or rewrite skill descriptions for relevance-based ranking, yet heterogeneous descriptions can obscure capability differences. To address this challenge, we propose SKALOS, a graph-native reranker that compares skills via explicit capability evidence. Its multi-hierarchy graph aligns equivalent expressions across skills while preserving skill-specific capability evidence. Since individually relevant capability elements may not jointly support a query, semiring-based capability witness learning scores each branch by its weakest evidence, checks joint support for the extracted requirements within one implementation, and selects the strongest alternative. To reduce the influence of extraction errors, we develop ranking-feedback graph calibration that adjusts unreliable evidence for candidate comparison. Experiments on SkillRet show that SKALOS improves NDCG@10 by 2.68 percentage points over a matched text-only reranker. Witness-guided skill selection also increases ALFWorld task success rate from 22% to 29%.
• Abstract（参考訳）: スキルはLLMエージェントに再利用可能な手続き的知識を提供し、信頼性の高いエージェント動作に必要な適切なスキル選択を実現する。 スキルライブラリが拡大するにつれて、意味的に類似した候補の区別がますます困難になる。 既存の手法は、関連性に基づくランキングのためのスキル記述をエンコードまたは書き直しするが、不均一な記述は、機能の違いを曖昧にする可能性がある。 この課題に対処するために、明示的な能力証拠を通じてスキルを比較するグラフネイティブなリランカであるSKALOSを提案する。 その多階層グラフは、スキル固有の能力証拠を保持しながら、スキル間で同等の表現を調整します。 個々の関連能力要素はクエリを共同でサポートしないため、セミリングベースの能力証人学習は、最も弱い証拠によって各ブランチをスコアし、抽出された要求をひとつの実装内で共同でサポートし、最強の選択肢を選択する。 抽出誤差の影響を低減するため,候補比較のための信頼できない証拠を調整するランキングフィードバックグラフキャリブレーションを開発した。 SkillRetの実験によると、SKALOSは一致したテキストのみのリランカに対して、NDCG@10を2.68ポイント改善している。 ALFWorldのタスク成功率も22%から29%に向上した。

関連論文リスト

• Skill-V: Verifiable Self-Evolving Skill Library for Interactive Agents [52.62594580060118]
  検証可能な自己進化型スキルライブラリであるSkill-Vを紹介する。 我々は,図書館の進化を促進するために環境成果を用いており,特に,タスク失敗はスキル追加を動機付けている。 我々は、現在のタスクに確実に適用できないと判断された候補を除外するために、適用性に配慮したフィルタを用いる。
  論文  参考訳（メタデータ） (2026-10-08T11:59:42Z)
• Demystifying Agent Skills: Why They Work-Until They Don't [58.92875630998418]
  既存の評価は、スキルが集約されたタスクの成功を改善するかどうかを主に測定する。 我々は、表現、結果アノテーション、検索難易度、スキルのクロスフレームワークの影響を分離する。 我々はこれらの観察を3つの高レベルカテゴリと12のスキルユースモードの分類に集約する。
  論文  参考訳（メタデータ） (2026-08-14T07:26:38Z)
• SkillTrace: Traversing a Query-Skill Graph for Composable LLM Agents [22.759579282367614]
  我々は、ユーザクエリをセマンティック階層に整理し、スキルクエリと候補をマッチングし、スキル依存性を伝搬するSkillTraceを紹介した。 SkillsBenchとALFWorldの実験では、SkillTraceは最先端のパフォーマンスを達成し、53.17%の成功率に達した。
  論文  参考訳（メタデータ） (2026-08-03T15:07:11Z)
• SkillSight: Calibrating Generic Content Bias for Skill Retrieval [12.466141257341851]
  既存のレトリバーは、しばしばスキル内容を通常の文書として扱い、非常に規則的な構造を見下ろしている。 この共有背景は、密接な関連度スコアに反映され、クエリとスキルドキュメントの間に顕著なエネルギーギャップを生じさせ、識別シグナルを曖昧にすることを示す。 SkillSightは、意味空間と語彙空間の両方で共有背景を校正する学習自由検索フレームワークである。
  論文  参考訳（メタデータ） (2026-07-21T07:05:15Z)
• Generative Skill Composition for LLM Agents [58.47191648555256]
  LLMエージェントは複雑なタスクを解決するためのスキルの恩恵を受ける。 スキルライブラリが成長するにつれて、適切なスキル構成を選択することが中心的なボトルネックとして現れている。 本稿では,タスク条件付きスキルシーケンス予測として構造化されたスキルコンポジションをインスタンス化するSkillComposerを提案する。
  論文  参考訳（メタデータ） (2026-06-30T17:53:09Z)
• SkillAudit: Ground-Truth-Free Skill Evolution via Paired Trajectory Auditing [81.51044612408793]
  SkillAuditは、地味なフィードバックなしにエージェントスキルを進化させるフレームワークである。 行動の違いを編集指導に変換するために、SkillAuditはProcess-Aligned Contrastive Evaluationを使用する。 Refineはノイズや無関係なガイダンスを広く有用なスキルから取り除き、修復はタスクと競合するパスを置き換える。
  論文  参考訳（メタデータ） (2026-06-12T08:20:09Z)
• SkillGraph: Skill-Augmented Reinforcement Learning for Agents via Evolving Skill Graphs [70.1970574147839]
  有向グラフのノードとして再利用可能なスキルを表現するフレームワークであるSKILLGRAPHを提案する。 SKILLGRAPHは個々のスキルだけでなく、多段階意思決定をガイドできる順序付きスキルサブグラフも取得する。 実験により,SKILLGRAPHはメモリ拡張RL法に対して最先端の性能を実現することが示された。
  論文  参考訳（メタデータ） (2026-05-12T12:21:49Z)
• SkillGen: Verified Inference-Time Agent Skill Synthesis [60.927977774369516]
  SkillGenは、ベースエージェントによって生成されたトラジェクトリから単一の監査可能なスキルを合成するフレームワークである。 再利用可能な成功パターン、繰り返し発生する障害モード、そして近くの成功に現れるが失敗に欠ける行動を特定する。 SkillGenの重要な特徴は、エージェントスキルを、全体的なパフォーマンスに対するスキルのネット効果を実証的に検証するための介入としてモデル化することです。
  論文  参考訳（メタデータ） (2026-05-09T19:24:11Z)

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。