見出し・要約・本文から、情報のつながりを探します。
arXiv:2611.07066v1 発表タイプ：新規 要旨：マルチエージェント強化学習（MARL）において協調行動を発見することは、共同状態・行動空間の組合せ的複雑性により困難であり、試行錯誤だけでは協調的な行動の出現が妨げられる。内在報酬は発見支援にしばしば用いられるが、チーム目標と単純に組み合わせると学習信号が歪められ、タスク性能が損なわれる可能性がある。本論文では、確立されたタスク性能を維持する制約の下で探索目標を最大化する制約付き探索フレームワークEFXPLORERを提案する。得られる問題は、適応型探索予算を導入するエピグラフ再定式化を用いて解決する。このアプローチは内在報酬とタスク目標を分離し、タスクの実現可能性を通じて探索を制御する。さらに多様で時間的に拡張された探索を促進するため、長期的な依存関係を捉える後継者距離ベースの内在報酬を組み込む。実験的には、本手法は強力なベースラインを上回り、SMAX、VMAS、MPEのベンチマークスイート全体で新しい協調戦略を誘発する。
arXiv:2610.33065v1 発表タイプ：新規 要旨：頭皮上の記録はノイズが多く、空間的に粗く、試行間および被験者間で変動するため、EEGによる視覚デコーディングは依然として困難である。多くのシステムでは、各試行を高密度な画像埋め込みに位置合わせしているが、その埋め込みには意味内容と、インスタンス固有のテクスチャ・姿勢・背景が混在している。このような手法では、EEGには存在しない詳細情報を必要とする上、予測を支える視覚的要因について明示的な説明を提供していない。そこで私たちは、共有可能な学習可能な視覚コードブックに基づくソフトな合成としてEEG–画像の位置合わせを再定式化する、プロトタイプ媒介型フレームワークである\textbf{ProtoEEG}を提案する。学習可能なEEGエンコーダーと固定された視覚教師が、同一の$K=64$個のプロトタイプに対する割り当て分布を生成し、それらの重み付けされた再構成が構造化された表現を形成する。
arXiv:2610.33044v1 発表タイプ：新規 要旨：身体を備えた視覚言語モデルは、部分的で変化する観測情報から質問に答える必要があります。その成功は、選択される推論能力と、それに利用可能な証拠の両方に依存します。専門家ルーターは内部計算を適応させ、ツール拡張型システムは外部証拠を獲得しますが、これらを独立に選択すると、適切な専門家が必要な証拠を持たない状況が生じる可能性があります。私たちは、能力専門家、オプションの知識、および知覚ツールを共同で選択する制限付きフレームワークであるEKT-Routerを提案します。結果に基づくシグネチャは、一般推論、空間推論、時空間推論の各専門家の重なり合う強みを表現します。共同ユーティリティは、呼び出し予算の下で完全な専門家–証拠経路のスコアリングを行います。取得後、パケット検証器が有効なものを承認します
arXiv:2610.32103v1 発表タイプ：新規 要旨：創薬において、リード最適化では、透過性の向上や毒性の低減といった相反する特性を改善しつつ、リードの活性を損なう可能性のあるスケルトン変更を抑制しなければなりません。C-MORAL などの強化学習ベースのポストトレーニング手法は、分子言語モデルを微調整することで、関心のある目的に対して分子リードを直接最適化するというアプローチを採用していますが、これには高価なタスク固有のデータセットが必要であり、多目的最適化（MOO）の実現にも課題が伴います。我々は、事前学習済みモデルには、ゼロショット生成では効率的に到達できない有用な分子編集がすでに含まれている可能性があると主張します。ゼロショット生成の探索能力の限界に着目し、我々は効率的なメトロポリス・ハスティングス探索戦略を開発し、ベット
arXiv:2610.33019v1 発表タイプ：新規 要旨：マルチモーダルエージェントが持続的な相互作用を行う際、長期記憶は細粒度の証拠の想起と、全体的理解のための内面化された解釈という、二つの明確でありながら補完的な機能を果たす。エピソード記憶と潜在記憶はそれぞれ、明示的な履歴記録と内面化された経験を通じてこれらの要求に対応しているものの、エピソード記憶における証拠の網羅性と統合の限界、および潜在記憶における事実の基盤形成の限界により、いずれのパラダイムだけではタスク間で多様な記憶特性を十分に捉えることはできない。このギャップを埋めるために、我々はデュアルメモリフレームワークを提案する。これは、モデル固有の潜在記憶を直感的な事前分布として統合し、同時に複数インデックスを持つエピソード記憶を用いて、検索条件に基づく共同アライメントによって正確な証拠の再構築を実現するものである。At i
arXiv:2610.32179v1 発表タイプ：新規 要旨：ニューラルアーキテクチャ探索（NAS）はコストが高額であるが、タスク間の転移により過去のタスクから得た知識を再利用することでコストを削減できる。しかし、既存手法はスパースな探索履歴やタスク固有の転移失敗に苦慮している。本研究では、チャンピオンベースの初期化とペアワイズランカーによる共同事前学習を通じて、スパースなソースログとゼロコストの代理モデルを組み合わせるリスクロバストな戦略を提案する。TransNAS-Bench-101において、本提案は深刻な最悪ケースでの失敗を緩和し、マイクロ自動符号化における最悪10％順位を290から43へ、マクロ室内レイアウトにおける最悪10％順位を465から45へと低下させた。さらに、13種類のセルスペースターゲット全体で、平均性能および最悪ケース性能の両面において、代理モデルのみを使用したランカーを10ターゲットで上回りつつ、競争力のある平均性能も維持した。
arXiv:2610.32431v1 発表タイプ：新規 要旨：視覚・言語・行動（VLA）のロールアウトが失敗したとしても、すべての行動が失敗に寄与したわけではない。しかし、グループ相対方策最適化（GRPO）では、ロールアウト中の全行動に対して単一の軌道レベルの優位性が割り当てられるため、本来有用な復旧試行すら、それらが修正しようとする誤りとともにペナルティを受ける可能性がある。失敗フィードバックにおける理想的な停止条件は、成功確率および方策スコアのマルチンゲールを用いて特徴付けられる。これらの停止点において、除去された勾配寄与は、保持された情報条件下で条件付き期待値がゼロとなる。したがって、切り捨てによって参照となるGRPOのグループ勾配推定器の期待値は維持され、その共分散を低減できる。このような停止の一つは、成功の条件付き確率が
arXiv:2610.31726v1 発表タイプ：新規 要旨：効果的な人間と機械のチーム編成には、予測不可能な人間のパートナーと協調できるエージェントが必要である。実際の人間からのフィードバックや大規模な行動データセットを用いた強化学習はコストが高く、一方でシミュレーションのみによる訓練では人工的な慣例に過剰適合し、現実の人間とのゼロショット協調において失敗してしまう。我々は、認知的に制約されたパートナーに対してチーム編成エージェントを訓練するためのフレームワークを提案する。このフレームワークでは、報酬設計や過去の訓練チェックポイントではなく、人間の生理学的文献に基づく手続き上の制約（特に反応遅延や知覚限界）から生じる多様性を持つシミュレートされたパートナーを用いる。改良版のルナランダー環境において、これらのパートナーはより…のように振る舞うことを示す予備的な証拠を報告する。
arXiv:2610.32237v1 発表タイプ：新規 要旨：現代の金融市場において、大口取引の4分の3以上は、従来の人間トレーダーに比べて高い精度と速度を実現するための高度な取引戦略に基づくアルゴリズム取引によって執行されています。従来の価格ベースの指標に依存した戦略では、社会的センチメントや政治的不安定性、あるいは急激な経済変動といった現実世界の出来事から生じる市場のダイナミズムを捉えるには不十分です。深層強化学習（DRL）の台頭とデータの入手可能性に伴い、こうした外部要因を取引戦略に組み込める、より効率的なアルゴリズムが求められています。DRLは、現実世界のシナリオのシミュレーションや複雑な意思決定の簡素化において有望な成果を示しており、DRLエージェントは自動的に
arXiv:2610.31846v1 発表タイプ：新規 要旨：知的エージェントは自らのミスから学び、経験を通じて継続的な改善を図るべきである。しかし、今日のエージェントはミスから回復しても、その効果は一時的でしかない。文脈内での振り返りはセッション間で容易に忘れられ、限られた文脈資源と競合する一方で、パラメータ全体の微調整はコストが高く、既存の能力に干渉するおそれがある。そこで私たちは、一時的な文脈内再試行とポリシー更新の利点を組み合わせた、エージェントがミスから学ぶための仕組み「Self-Direction」を提案する。エージェントがタスクに失敗した際、自身の行動経路を振り返って教訓を抽出し、それを即座に軽量な低ランクアダプターへと凝縮する。元の重みを固定することで、Self-Directionはアダプターの学習による上書きを防ぎ
arXiv:2610.32241v1 発表タイプ：新規 要旨：従来のヒューリスティック手法は、空間利用率やレイアウトのコンパクトさといった3Dビンパッキングの核心的な目標において、人為的に設計されたルールベースの論理に依存することで成熟した経験を蓄積してきました。しかし、一般化能力や動的シナリオへの適応性には明らかな限界が見られます。一方、強化学習の空間探索能力と拡散学習のデータ分布モデリング能力を統合した拡散強化学習は、行動分布のモデリングや意思決定の遵守制約の面で一定の進展を遂げています。それでもなお、3Dビンパッキングにおける空間的トポロジー構造の十分な把握や、レイアウト最適化能力の限定といった課題が残されています。
