Stuart Farmer（スチュワート・ファーマー）氏は2026年10月7日(現地時間)、大規模言語モデル (LLM) に誘導される自己改善型プログラム探索アルゴリズム「EliteTable」に関する研究論文をarXiv上で公開した。このアルゴリズムは、固定容量のテーブルに高スコアの解を格納し、新たな提案、既存解の編集、複数解のリミックスをガイドする。EliteTableの性能は、Gymnasium環境の6つの制御タスクで評価された。
各制御タスクの性能評価は、10回の独立した検索プロセスで行われた。それぞれの検索は10世代で構成され、1世代あたり最大50の候補スロットが設けられた。評価の結果、全ての6タスクにおいて、候補スロットにおけるスコアの中央値が最初の世代から最終世代にかけて一貫して上昇したことが確認された。
さらに、各検索プロセスで選定された「勝者」の検索スコア中央値も、6つのタスクのうち5つで向上を示した。特にCartPole-v1タスクでは、選定された勝者は10回の検索全てにおいて、最初の世代で既に検索スコアの最高値に到達していた。
ホールドアウトされたエンドポイント（評価用として別途確保されたデータ）を用いた検証では、6つのタスクのうち4つで改善が見られた。BipedalWalker-v3（バイペダルウォーカー-v3）およびCarRacing-v3（カーレーシング-v3）では、設定された目標値には達しなかったものの、着実な改善が確認された。
一方で、Acrobot-v1（アクロボット-v1）タスクの検索では、10回の試行中6回でホールドアウトされたエピソードのスコアが低下し、最終的な中央値は負の変化を示した。これらの結果は、EliteTableがプログラム探索中に改善をもたらし、一部のタスクにおいて選定された勝者が新たなエピソードにおいてもその利益を維持できることを示唆している。
Stuart Farmer氏は、EliteTableの相対的な性能と、その構成要素が個別にどの程度貢献しているかをより明確にするためには、今後さらなる比較研究とアブレーション（構成要素の除去）実験が必要であるとの見解を表明している。研究チームは、EliteTableが人間が理解できるプログラムを発見できるか「より複雑なタスクに応用できるか」といった点にも関心を寄せている。
参考: arXiv cs.AI (アーカイブ) — 2026年10月12日 13:00 (JST)
原文ハイライト"Self-Improving Program Search for Executable Control Policies"