論文の概要: A Self-Exploring and Self-Evolving Paradigm for Adaptive Edge AI Development

• arxiv url: http://arxiv.org/abs/2611.01377v1
• Date: Sun, 01 Nov 2026 00:28:59 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:19:22.853089
• Title: A Self-Exploring and Self-Evolving Paradigm for Adaptive Edge AI Development
• Title（参考訳）: 適応型エッジAI開発のための自己探索と自己進化パラダイム
• Abstract要約: 大規模言語モデル(LLM)は強力なコード生成能力を示し、エッジAIアプリケーション開発を自動化するエージェントシステムを育成する。 適応型エッジAI開発のための自己探索・自己進化パラダイムであるSE2を提案する。 人間の学習プロセスにインスパイアされた我々は、開発を4つの原子操作(検索、理由、コード、テスト)に蒸留し、現在の状況に基づいて適切な次の操作を動的に適応的に選択することで探索するエージェントを探索する。
• 参考スコア（独自算出の注目度）: 26.352439816887586
• License:
• Abstract: Large Language Models (LLMs) exhibit powerful code generation abilities, fostering agentic systems to automate edge AI application development. However, existing agents typically operate via fixed agentic workflows and predefined design spaces, struggling to handle rapidly evolving demands of real-world scenarios (e.g., heterogeneous data modalities, diverse task pipelines). Unlike prior systems that treat LLMs mainly as code generators following rigid workflows, we fully exploit their reasoning capabilities to allow agents to determine their own workflows on the fly. To this end, we propose SE2, a self-exploring and self-evolving paradigm for adaptive edge AI development. Inspired by human learning processes, we distill development into four atomic operations (retrieve, reason, code, test), and empower agents to explore workflows by dynamically and adaptively selecting an appropriate next operation based on the current context. Extensive evaluations show that, with adaptive workflows, the synthesized programs achieve up to 26% higher accuracy and consume 28% lower resources than state-of-the-art baselines, while maintaining superior adaptability to unforeseen edge AI scenarios. This highlights the potential of reasoning-driven adaptive agentic workflow in edge AI development.
• Abstract（参考訳）: 大規模言語モデル(LLM)は強力なコード生成能力を示し、エッジAIアプリケーション開発を自動化するエージェントシステムを育成する。 しかし、既存のエージェントは通常、固定されたエージェントワークフローと事前定義された設計空間を介して動作し、現実世界のシナリオ(例えば、異種データモダリティ、多様なタスクパイプライン)の急速に進化する要求を処理するのに苦労する。 厳格なワークフローに従うコードジェネレータとしてLLMを主に扱う従来のシステムとは異なり、エージェントが自身のワークフローをリアルタイムで決定できるように、彼らの推論能力を完全に活用しています。 この目的のために,適応型エッジAI開発のための自己探索・自己進化パラダイムであるSE2を提案する。 人間の学習プロセスにインスパイアされた私たちは、開発を4つのアトミックオペレーション(検索、理性、コード、テスト)に蒸留し、現在のコンテキストに基づいて適切な次の操作を動的かつ適応的に選択することで、ワークフローを探索するエージェントを力づけます。 大規模な評価によると、適応的なワークフローでは、合成プログラムは26%の精度を実現し、最先端のAIシナリオに優れた適応性を維持しながら、最先端のベースラインよりも28%低いリソースを消費する。 これは、エッジAI開発における推論駆動適応エージェントワークフローの可能性を強調している。

関連論文リスト

• Beyond Generalist LLMs: Specialist Agentic Systems for Structured Code Workflow Execution [0.40631409309544836]
  大規模言語モデル(LLM)は、ソフトウェア開発エージェントの採用を加速し、現在、統合開発環境(IDE)拡張やスタンドアロンアプリケーションとして広く利用されています。 これらのエージェントは一般的に汎用的であるが、専門家がさらなる開発努力を正当化するかどうかは不明だ。 ビジネスプロセス・モデルと表記法(BPMN)のダイアグラムを実行可能なエージェントに変換することに焦点を当て、ビジネスプロセスの自動化という文脈でこの問題を考察する。
  論文  参考訳（メタデータ） (2026-07-16T01:06:38Z)
• The Meta-Agent Challenge: Are Current Agents Capable of Autonomous Agent Development? [80.24951682268332]
  本稿では,自律エージェント開発のためのフロンティアモデルのキャパシティをテストするための評価フレームワークであるMeta-Agent Challenge(MAC)を紹介する。 評価の整合性を確保するため、このフレームワークは報奨ハッキングに対する多層防御によって確保される。 メタエージェントは人間工学的な基本方針とほとんど一致せず、その一部はプロプライエタリなフロンティアモデルに支配されている。
  論文  参考訳（メタデータ） (2026-06-03T04:58:17Z)
• EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
  Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。 しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。 実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
  論文  参考訳（メタデータ） (2026-01-29T11:33:49Z)
• Agent0: Unleashing Self-Evolving Agents from Zero Data via Tool-Integrated Reasoning [84.70211451226835]
  大規模言語モデル(LLM)エージェントは、人間の計算データへの依存によって制約される。 我々は,外部データを持たない高性能エージェントを進化させる完全自律型フレームワークであるAgent0を紹介する。 Agent0は推論能力を大幅に向上させ、Qwen3-8B-Baseモデルを数学的推論で18%改善し、一般的な推論ベンチマークで24%改善した。
  論文  参考訳（メタデータ） (2025-11-20T05:01:57Z)
• Agentsway -- Software Development Methodology for AI Agents-based Teams [4.226647687395254]
  Agentswayは、AIエージェントが一流の協力者として機能するエコシステム向けに設計された、新しいソフトウェア開発フレームワークである。 このフレームワークは、計画、プロンプト、コーディング、テスト、微調整エージェントの異なる役割を定義している。 Agentswayは、次世代のAIネイティブで自己改善型のソフトウェア開発方法論に向けた基本的なステップである。
  論文  参考訳（メタデータ） (2025-10-26T11:58:42Z)
• HiVA: Self-organized Hierarchical Variable Agent via Goal-driven Semantic-Topological Evolution [13.440964262446558]
  HiVA(Hierarchical Variable Agent)は、セマンティック・トポロジカル・エボリューション(STEV)アルゴリズムを用いて、自己組織化グラフとしてエージェントをモデル化する新しいフレームワークである。 対話、コーディング、Longcontext Q&A、数学、エージェントベンチマークの実験では、タスク精度が5～10%向上し、リソース効率が向上した。
  論文  参考訳（メタデータ） (2025-08-29T18:51:18Z)
• A Multi-AI Agent System for Autonomous Optimization of Agentic AI Solutions via Iterative Refinement and LLM-Driven Feedback Loops [3.729242965449096]
  本稿では,産業間におけるエージェントAIソリューションを自律的に最適化するフレームワークを提案する。 このフレームワークは、仮説を自律的に生成し、テストすることで、人間の入力なしに最適な性能を達成する。 ケーススタディでは、アウトプットの品質、妥当性、動作性が大幅に改善された。
  論文  参考訳（メタデータ） (2024-12-22T20:08:04Z)
• ComfyBench: Benchmarking LLM-based Agents in ComfyUI for Autonomously Designing Collaborative AI Systems [80.69865295743149]
  この研究は、LLMベースのエージェントを使用して、協調AIシステムを自律的に設計する試みである。 ComfyBenchをベースとしたComfyAgentは,エージェントが自律的に協調的なAIシステムを生成して設計できるようにするフレームワークである。 ComfyAgentは、o1-previewに匹敵する解像度を達成し、ComfyBenchの他のエージェントをはるかに上回っているが、ComfyAgentはクリエイティブタスクの15%しか解決していない。
  論文  参考訳（メタデータ） (2024-09-02T17:44:10Z)
• ProAgent: From Robotic Process Automation to Agentic Process Automation [87.0555252338361]
  LLM(Large Language Models)は、人間のような知性を持つ言語である。 本稿では,ALMをベースとしたエージェントを用いた高度な自動化のための基盤的自動化パラダイムであるエージェントプロセス自動化(APA)を紹介する。 そして、人間の指示を駆使し、特殊エージェントの調整によって複雑な決定を下すように設計されたエージェントであるProAgentをインスタンス化する。
  論文  参考訳（メタデータ） (2023-11-02T14:32:16Z)

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。