Artin Tajdini氏、Manpreet Kaur氏、Peng Qi氏らは2026年10月14日(現地時間)、arXiv cs.LGにて、大規模言語モデル (LLM) エージェントの頑健性を向上させる「Cross-Interface Policy Regularization (CIPR)」と呼ばれる新しい自己教師あり学習手法に関する研究論文を発表した。学習インターフェースの変更に対し、エージェントのパフォーマンス低下を抑えることが目的だ。
この研究は、LLMエージェントが一度学習したインターフェースに能力が強く束縛されるという問題点を指摘している。アクション名の変更や表記法の変更など、セマンティクス（意味）を維持したままインターフェースに摂動を加えると、基盤となるタスクは変わらないにもかかわらず、エージェントの性能が低下すると分析している。
提案されたCIPRは、この課題に対処するための自己教師あり学習目的関数である。これは、アクション名を意味を持たない識別子に置き換え、各学習サンプルを等価なアクションが構築によって識別される二つのインターフェースの下で提示する。CIPRは、これら二つのインターフェースの下で誘導されるアクション分布間のKLダイバージェンスにペナルティを課すことで、ポリシーが一貫した振る舞いをするように促す。
CIPRの評価は、教師あり学習と強化学習の両方の後学習において実施され、頑健性の改善が確認された。エージェントの関数呼び出しタスクにおいて、未学習のインターフェース摂動により後学習済みエージェントの精度が約25%低下するケースで、CIPRは10.5%の精度を回復し、同時に変更されていないインターフェースでの精度は維持される結果を示した。
参考: arXiv cs.LG (アーカイブ) — 2026年10月15日 02:56 (JST)
原文ハイライト"Cross-Interface Policy Regularization (CIPR), a self-supervised objective that replaces action names with uninformative identifiers"