Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Kolb-Based Experiential Learning for Generalist Agents with Human-Level Kaggle Data Science Performance

Created by
  • Haebom

作者

Antoine Grosnit, Alexandre Maraval, Refinath SN, Zichao Zhao, James Dora, Giuseppe Paolo, Albert Thomas, Jonas Gonzalez, Abhineet Kumar, Khyati Khandelwal, Abdelhakim Benechehab, Hamza Cherkaoui, Youssef Attia El-Hili, Kun egl, Jun Wang

概要

本論文は、人間の専門性が反復的な相互作用、反省、内的モデル更新を通じて発達するという点に着目し、コルブの経験的学習とビーゴツキの近接発達領域理論に基づく計算フレームワークを提示します。既存のLLMエージェントの静的事前訓練や厳しいワークフローの限界を克服するために、環境との相互作用（外的機能）と内的反射/抽象化（内的機能）を分離するアーキテクチャを設計しました。これにより、構造化された環境での学習後のオープンな一般化が可能な、認知的に基づくスキャフォールディング学習を実現します。実際のKaggleデータサイエンス競技大会で81の課題にわたって自動化されたデータサイエンスコード生成能力を評価した結果、Agent KというシステムがKaggleマスター（上位2％）の中間Elo-MMRスコアを越える1694点を達成し、複数のメダルを受賞する成果を収めました。これは、コルブとビーゴツキの認知学習理論を成功裏に統合した最初のAIシステムであり、汎用AIに向けた重要な進展を示しています。

Takeaways、Limitations

•
Takeaways：
◦
コルブの経験的学習とビーゴツキの近接発達領域理論に基づく新しいLLMエージェント学習フレームワークの提示
◦
Agent Kによる人間レベルの複雑な課題解決能力を持つAIシステム開発の可能性を実証
◦
Kaggleコンテストの実績データを活用した実験結果による性能検証
◦
汎用AI開発のための新しい方向性の提示
•
Limitations：
◦
Agent Kのパフォーマンスが特定のドメイン（データサイエンス）に限定される可能性
◦
提案されたフレームワークの一般化の可能性に関するさらなる研究が必要
◦
人間の認知プロセスを完全に模倣できない可能性
◦
倫理的、社会的含意に関するさらなる議論の必要性
👍
Made with Slashpage