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:2610.33044v1 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:2610.31846v1 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
