論文の概要: Continual Reinforcement Learning Is an Integration Problem

• arxiv url: http://arxiv.org/abs/2610.41809v1
• Date: Fri, 30 Oct 2026 14:35:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.773484
• Title: Continual Reinforcement Learning Is an Integration Problem
• Title（参考訳）: 継続的強化学習は統合問題である
• Abstract要約: 本稿では,強化学習エージェントの設計と評価を意図した10種類のデシラタについて述べる。 個々のデシダラタの進歩は貴重であるが、長期的な目的は、すべての10を1つのエージェントに統合することである。
• 参考スコア（独自算出の注目度）: 19.950266727431693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents an opinionated set of ten desiderata intended to inform the design and evaluation of reinforcement-learning agents that learn continually throughout a continuing lifetime. We use these desiderata to examine a representative selection of existing approaches. Progress on individual desiderata is valuable, but the longer-term aim should be to integrate all ten within a single agent. To our knowledge, no published evaluation has yet provided evidence for such an integration. Likewise, the representative benchmarks we review probe different parts of this target, but separate evaluations do not establish that the corresponding properties coexist within one agent throughout a continuing lifetime. As a secondary contribution, we therefore present a compact persistent-world scenario as a playable companion to the desiderata and outline a proposed benchmark that examines a broad range of associated behavioral capabilities together within one such lifetime.
• Abstract（参考訳）: 本稿では,継続する生涯を通じて継続的に学習する強化学習エージェントの設計と評価を意図した10種類のデシラタについて述べる。 これらのデシラタを用いて、既存のアプローチの代表的な選択について検討する。 個々のデシダラタの進歩は重要であるが、長期的な目的は、すべての10を1つのエージェントに統合することである。 我々の知る限り、そのような統合の証拠は公表されていない。 同様に、代表ベンチマークは、このターゲットの異なる部分を探索するが、別の評価では、対応する特性が継続期間を通して一つのエージェント内で共存していることは確認できない。 二次的な貢献として、我々はデシダータの遊び可能な伴奏として、コンパクトな持続現実シナリオを提示し、そのような一生のうちに、関連する行動能力の幅広い範囲を調べるためのベンチマークを概説する。

関連論文リスト

• Defining AI Agents: A Compendium of Criteria, Metrics, and Benchmarks [0.19336815376402716]
  人工知能におけるエージェントという用語は、AIエージェントの評価、比較、研究を複雑にする標準的な定義を欠いている。 このレビューはエージェント評価の現在の状況について構造化された説明を提供し、確立されたアプローチと、評価が限定的あるいは一貫性のない領域の両方を強調している。 また,このレビューから得られた評価手法を整理し,拡張する公開デジタルリソースであるAgent Compendiumについても紹介する。
  論文  参考訳（メタデータ） (2026-09-10T02:50:29Z)
• Beyond performance-wise Contribution Evaluation in Federated Learning [0.0]
  フェデレーション学習は、プライバシフレンドリーな協調学習フレームワークを提供する。 その成功は参加者の貢献に依存している。 この研究は、モデルの信頼性に対するクライアントのコントリビューションの問題を調査します。
  論文  参考訳（メタデータ） (2026-02-25T23:10:13Z)
• DETOUR: An Interactive Benchmark for Dual-Agent Search and Reasoning [2.0329381271887255]
  本稿では,1011のプロンプトを含むデュアルエージェント評価ベンチマークであるDETOUR(Obscure Under-specified Retrieval)を提案する。 以上の結果から,現在の最先端モデルではベンチマークに苦戦しており,すべてのモダリティで評価した場合の精度は36%に過ぎなかった。
  論文  参考訳（メタデータ） (2026-01-30T22:01:30Z)
• From Human Intention to Action Prediction: A Comprehensive Benchmark for Intention-driven End-to-End Autonomous Driving [67.23302649816466]
  現在の自律運転システムは、単純な操縦命令に従うように、インテリジェンスレベルで動作する。 Intention-Driveは、高レベルの人間の意図を安全かつ正確な運転行動に変換する能力を評価するために設計された最初の総合的なベンチマークである。
  論文  参考訳（メタデータ） (2025-12-13T11:59:51Z)
• Stochastic Encodings for Active Feature Acquisition [100.47043816019888]
  Active Feature Acquisitionは、インスタンスワイドでシーケンシャルな意思決定問題である。 目的は、テストインスタンスごとに独立して、現在の観測に基づいて計測する機能を動的に選択することである。 一般的なアプローチは強化学習(Reinforcement Learning)であり、トレーニングの困難を経験する。 我々は、教師付きで訓練された潜在変数モデルを導入し、潜在空間における観測不能な実現の可能性の多くにまたがる特徴を推論することで獲得する。
  論文  参考訳（メタデータ） (2025-08-03T23:48:46Z)
• Spatio-Temporal Domain Awareness for Multi-Agent Collaborative Perception [18.358998861454477]
  車両間通信の潜在的な応用としてのマルチエージェント協調認識は、単一エージェント認識よりも自律走行車の性能知覚を著しく向上させる可能性がある。 本稿では,エージェント間の認識特性をエンドツーエンドに集約する新しい協調認識フレームワークSCOPEを提案する。
  論文  参考訳（メタデータ） (2023-07-26T03:00:31Z)
• CLEVA-Compass: A Continual Learning EValuation Assessment Compass to Promote Research Transparency and Comparability [15.342039156426843]
  私たちは、Desiderataの正確な定式化の目標は、様々なアプリケーションが常に異なるシナリオを保証できるため、不適切なものであると論じます。 CLEVA-コンパスは、最近のレプリケーショントレンドの精神の中でコンパクトな仕様の促進に加えて、個々のシステムの優先順位を理解するための直感的なチャートを提供する。
  論文  参考訳（メタデータ） (2021-10-07T10:53:26Z)
• Learning to Plan Optimistically: Uncertainty-Guided Deep Exploration via Latent Model Ensembles [73.15950858151594]
  本稿では,不確実な長期報酬に直面した最適化による深層探査を可能にするLOVE(Latent Optimistic Value Exploration)を提案する。 潜在世界モデルと値関数推定を組み合わせ、無限水平リターンを予測し、アンサンブルにより関連する不確実性を回復する。 連続行動空間における視覚ロボット制御タスクにLOVEを適用し、最先端や他の探査目標と比較して、平均20%以上のサンプル効率の改善を実証する。
  論文  参考訳（メタデータ） (2020-10-27T22:06:57Z)
• Evaluating Interactive Summarization: an Expansion-Based Framework [97.0077722128397]
  対話型要約のためのエンドツーエンド評価フレームワークを開発した。 我々のフレームワークには、実際のユーザセッションの収集手順と、標準に依存する評価方法が含まれています。 当社のソリューションはすべて、ベンチマークとして公開されることを意図しています。
  論文  参考訳（メタデータ） (2020-09-17T15:48:13Z)

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。