論文の概要: A-RSI: Adaptive Task Refresh for Zero-Data Multimodal Self-Improvement

• arxiv url: http://arxiv.org/abs/2610.38568v1
• Date: Wed, 28 Oct 2026 10:03:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.984717
• Title: A-RSI: Adaptive Task Refresh for Zero-Data Multimodal Self-Improvement
• Title（参考訳）: A-RSI:Zero-Data Multimodal Self-Improvementのための適応タスクリフレッシュ
• Abstract要約: トレーニングダイナミクスは、いつ新しい経験を得るかを決定するが、新しいタスクに対する回答は、独立してチェック可能である。 A-RSIは、トレーニングログの報酬変動と精度を監視し、学習信号の低下時にタスクプールをリフレッシュする。
• 参考スコア（独自算出の注目度）: 83.12675758952777
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recursive self-improvement requires models not only to acquire useful training experience, but also to decide when their current experience has ceased to be useful. Existing methods often focus on what experience to generate next, while paying less attention to when fresh experience should be introduced. Many also construct training targets through self-consistency or majority voting, making supervision depend on the model's own uncertain predictions. We address these two questions separately: training dynamics determine when to acquire new experience, while the answers to new tasks remain independently checkable. A-RSI monitors reward variation and accuracy in training logs to refresh a task pool when its learning signal declines, without consulting validation or test scores. A static library of model-authored programs produces multimodal questions and derives their reference answers; we specify the task-generation contract, automatically verify chosen properties of the reward and refresh rules, and separately audit the generated answers. The training loop uses no external training examples or human-written answer labels. On the primary eleven-benchmark suite, A-RSI raises the performance average from 57.77 to 61.05 with 800 fresh tasks.
• Abstract（参考訳）: 再帰的な自己改善は、有用なトレーニング経験を得るだけでなく、現在の経験が役に立ちなくなったかどうかを決定するためにモデルを必要とする。 既存のメソッドでは、次に生成するエクスペリエンスに注目することが多いが、新しいエクスペリエンスを導入する際には注意を払わない。 多くは自己整合性や多数決によるトレーニング目標の構築も行っており、モデル自身の不確実な予測に依存している。 トレーニングダイナミクスは、いつ新しい経験を得るかを決定するが、新しいタスクに対する回答は、独立してチェック可能である。 A-RSIは、トレーニングログの報酬変動と精度を監視し、学習信号の低下時にタスクプールをリフレッシュする。 モデルオーサリングプログラムの静的ライブラリは,マルチモーダルな質問を生成し,その参照回答を導出する。タスク生成契約を指定し,報酬とリフレッシュルールの選択プロパティを自動的に検証し,生成した回答を別々に監査する。 トレーニングループでは、外部トレーニング例や人間による回答ラベルは使用しない。 主要11ベンチマークスイートでは、A-RSIはパフォーマンス平均を 57.77 から 61.05 に引き上げ、800 の新規タスクをこなした。

関連論文リスト

• ReTTT: Reflection-Driven Test-Time Training via Experience-Based Parametric Memory [13.345272529669613]
  ReTTTは、エピソード内で構築され、継続的に修正されるレッスンに対するテストタイムトレーニングを通じて、経験駆動型の自己適応を可能にする。 ALFWorld,ScienceWorld,SWE-bench LiteのReTTTを2つのモデルファミリーを用いて評価した。
  論文  参考訳（メタデータ） (2026-10-08T04:47:31Z)
• Harness Learning Enables Generalizable Test-Time Adaptation [75.12882372844764]
  本稿では,提案手法を学習し,提案手法を学習し,提案手法を改良するハーネス学習を提案する。 我々は、改良されたハーネスのタスクパフォーマンスを報奨として、強化学習で提案者を訓練する。 推論とマルチホップ質問応答の実験は、学習の活用によってリビジョン品質が向上し、テストタイムで適応する能力が見当たらないタスクに適応することを示した。
  論文  参考訳（メタデータ） (2026-09-28T17:52:54Z)
• 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)
• Becoming Experienced Judges: Selective Test-Time Learning for Evaluators [35.95187315060261]
  トレーニングや検証セットを必要とせずに,評価者が推論時に逐次改善できるフレームワークであるLWE(Learning While Evaluation)を導入する。 LWEは、(i)サンプル固有の評価命令を生成し、(ii)自己生成フィードバックを通じて自分自身を洗練させるメタプロンプトの進化を維持している。 本稿では,自己一貫性のあるケースのみにメタプロンプトを更新するSelective LWEを提案する。
  論文  参考訳（メタデータ） (2025-12-07T09:28:39Z)
• Self-Consistency as a Free Lunch: Reducing Hallucinations in Vision-Language Models via Self-Reflection [71.8243083897721]
  視覚言語モデルは、しばしば詳細を幻覚させ、既存のオブジェクトを生成するか、出力信頼性を損なう不正確な属性を生成する。 本稿では、長文応答と短文応答の自己整合性を利用して、学習のための選好ペアを生成する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-27T10:37:11Z)
• Continuous Self-Improvement of Large Language Models by Test-time Training with Verifier-Driven Sample Selection [6.471199527741301]
  VDS-TTT(Verifier-Driven Sample Selection for Test-Time Training)と呼ばれる新しいフレームワークを導入する。 学習した検証器を用いて、生成された応答のプールをスコアし、高いランクの擬似ラベル付き例からのみ選び、微調整を施す。 低ランクなLoRAアダプタパラメータのみを微調整し、適応効率と高速収束を確保する。
  論文  参考訳（メタデータ） (2025-05-26T03:54:47Z)
• Test-Time Adaptation for Combating Missing Modalities in Egocentric Videos [92.38662956154256]
  現実のアプリケーションは、プライバシの懸念、効率性の必要性、ハードウェアの問題により、不完全なモダリティを伴う問題に直面することが多い。 再トレーニングを必要とせずに,テスト時にこの問題に対処する新しい手法を提案する。 MiDlは、欠落したモダリティをテスト時にのみ扱う、自己管理型のオンラインソリューションとしては初めてのものだ。
  論文  参考訳（メタデータ） (2024-04-23T16:01:33Z)

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。