論文の概要: DisasterResponseGPT: Large Language Models for Accelerated Plan of
Action Development in Disaster Response Scenarios
- arxiv url: http://arxiv.org/abs/2306.17271v1
- Date: Thu, 29 Jun 2023 19:24:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-03 14:12:49.962978
- Title: DisasterResponseGPT: Large Language Models for Accelerated Plan of
Action Development in Disaster Response Scenarios
- Title(参考訳): disasterresponsegpt: 災害対応シナリオにおける行動開発計画の高速化のための大規模言語モデル
- Authors: Vinicius G. Goecks, Nicholas R. Waytowich
- Abstract要約: 本研究では,Large Language Models (LLMs) を利用して有効な行動計画を生成するアルゴリズムであるDerma ResponseGPTを提案する。
提案手法は数秒で複数のプランを生成し,ユーザのフィードバックに従ってさらに改良することができる。
予備的な結果は,災害対応GPTによって開発された行動計画が人為的な行動に匹敵するものであるとともに,リアルタイムな修正が容易であることを示している。
- 参考スコア(独自算出の注目度): 3.42658286826597
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The development of plans of action in disaster response scenarios is a
time-consuming process. Large Language Models (LLMs) offer a powerful solution
to expedite this process through in-context learning. This study presents
DisasterResponseGPT, an algorithm that leverages LLMs to generate valid plans
of action quickly by incorporating disaster response and planning guidelines in
the initial prompt. In DisasterResponseGPT, users input the scenario
description and receive a plan of action as output. The proposed method
generates multiple plans within seconds, which can be further refined following
the user's feedback. Preliminary results indicate that the plans of action
developed by DisasterResponseGPT are comparable to human-generated ones while
offering greater ease of modification in real-time. This approach has the
potential to revolutionize disaster response operations by enabling rapid
updates and adjustments during the plan's execution.
- Abstract(参考訳): 災害対応シナリオにおける行動計画の開発は、時間のかかるプロセスである。
大規模言語モデル(LLM)は、コンテキスト内学習を通じてこのプロセスを迅速化する強力なソリューションを提供する。
本研究は,災害対応と計画指針を初期プロンプトに組み込むことで,LCMを利用して有効な行動計画を生成するアルゴリズムであるDerma ResponseGPTを提案する。
DisasterResponseGPTでは、ユーザーはシナリオ記述を入力し、アクションプランを出力として受け取る。
提案手法は数秒で複数のプランを生成し,ユーザのフィードバックに従ってさらに改良することができる。
予備的な結果は,災害対応GPTによって開発された行動計画が人為的な行動に匹敵するものであるとともに,リアルタイムな修正が容易であることを示している。
このアプローチは、計画実行中に迅速な更新と調整を可能にすることで、災害対応運用に革命をもたらす可能性がある。
関連論文リスト
- Contingency Planning Using Bi-level Markov Decision Processes for Space
Missions [16.62956274851929]
この研究は、科学ミッションのための自律的な緊急計画に焦点を当てている。
これは、名目上のミッション計画からの遅延や逸脱が発生した場合に、州空間の任意の非正規点からの迅速なポリシー計算を可能にする。
論文 参考訳(メタデータ) (2024-02-26T06:42:30Z) - LLM-SAP: Large Language Model Situational Awareness Based Planning [0.0]
この研究は、大規模言語モデルにおける状況認識に基づく創発的計画能力の評価の先駆者である。
i) 標準化された評価のための新しいベンチマークとメトリクス、(ii) 進捗を加速するためのユニークなデータセット、(iii) 状況に敏感な計画タスクにおいて計画性能を著しく向上させるマルチエージェントスキームの実証に寄与する。
論文 参考訳(メタデータ) (2023-12-26T17:19:09Z) - Planning as In-Painting: A Diffusion-Based Embodied Task Planning
Framework for Environments under Uncertainty [56.30846158280031]
具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。
In-paintingとしての計画」というタスク非依存の手法を提案する。
提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
論文 参考訳(メタデータ) (2023-12-02T10:07:17Z) - EIPE-text: Evaluation-Guided Iterative Plan Extraction for Long-Form
Narrative Text Generation [114.50719922069261]
長文物語テキスト生成のための評価誘導反復計画抽出法(EIPE-text)を提案する。
EIPEテキストには、計画抽出、学習、推論の3段階がある。
小説やストーリーテリングの分野におけるEIPEテキストの有効性を評価する。
論文 参考訳(メタデータ) (2023-10-12T10:21:37Z) - AdaPlanner: Adaptive Planning from Feedback with Language Models [56.367020818139665]
大規模言語モデル(LLM)は、最近、シーケンシャルな意思決定タスクの自律的エージェントとして機能する可能性を実証している。
本研究では,LLMエージェントが環境フィードバックに応じて自己生成計画を適応的に改善することのできるクローズドループアプローチであるAdaPlannerを提案する。
幻覚を緩和するために,様々なタスク,環境,エージェント機能にまたがる計画生成を容易にするコードスタイルのLCMプロンプト構造を開発した。
論文 参考訳(メタデータ) (2023-05-26T05:52:27Z) - Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic
Prior [135.78858513845233]
STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。
シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。
その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
論文 参考訳(メタデータ) (2021-12-09T18:03:27Z) - Determining ActionReversibility in STRIPS Using Answer Set and Epistemic
Logic Programming [8.585348089298133]
我々は、他のアクションを適用して元の状態に戻ることで、その効果を逆戻りできるアクションを呼び出します。
本稿では,動作の可逆性を決定する計算問題に対するいくつかの解を提案する。
論文 参考訳(メタデータ) (2021-08-11T20:00:34Z) - Divide-and-Conquer Monte Carlo Tree Search For Goal-Directed Planning [78.65083326918351]
暗黙的な逐次計画の仮定に代わるものを検討する。
本稿では,最適計画の近似を行うため,Divide-and-Conquer Monte Carlo Tree Search (DC-MCTS)を提案する。
計画順序に対するこのアルゴリズム的柔軟性は,グリッドワールドにおけるナビゲーションタスクの改善に繋がることを示す。
論文 参考訳(メタデータ) (2020-04-23T18:08:58Z) - STRIPS Action Discovery [67.73368413278631]
近年のアプローチでは、すべての中間状態が欠如している場合でも、アクションモデルを合成する古典的な計画が成功している。
アクションシグネチャが不明な場合に,従来のプランナーを用いてSTRIPSアクションモデルを教師なしで合成するアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-01-30T17:08:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。