論文の概要: Recover: A Neuro-Symbolic Framework for Failure Detection and Recovery

• arxiv url: http://arxiv.org/abs/2404.00756v1
• Date: Sun, 31 Mar 2024 17:54:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 01:51:24.329614
• Title: Recover: A Neuro-Symbolic Framework for Failure Detection and Recovery
• Title（参考訳）: Recover: 障害検出と回復のためのニューロシンボリックフレームワーク
• Authors: Cristina Cornelio, Mohammed Diab,
• Abstract要約: 本稿では,オンライン障害識別と回復のためのニューロシンボリック・フレームワークであるRecoverを紹介する。 論理ルールとLLMベースのプランナを統合することで、Recoverはシンボル情報を利用してLLMの回復計画を生成する能力を高める。
• 参考スコア（独自算出の注目度）: 2.0554045007430672
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Recognizing failures during task execution and implementing recovery procedures is challenging in robotics. Traditional approaches rely on the availability of extensive data or a tight set of constraints, while more recent approaches leverage large language models (LLMs) to verify task steps and replan accordingly. However, these methods often operate offline, necessitating scene resets and incurring in high costs. This paper introduces Recover, a neuro-symbolic framework for online failure identification and recovery. By integrating ontologies, logical rules, and LLM-based planners, Recover exploits symbolic information to enhance the ability of LLMs to generate recovery plans and also to decrease the associated costs. In order to demonstrate the capabilities of our method in a simulated kitchen environment, we introduce OntoThor, an ontology describing the AI2Thor simulator setting. Empirical evaluation shows that OntoThor's logical rules accurately detect all failures in the analyzed tasks, and that Recover considerably outperforms, for both failure detection and recovery, a baseline method reliant solely on LLMs.
• Abstract（参考訳）: ロボット工学では,タスク実行時の障害認識とリカバリ手順の実施が困難である。 従来のアプローチは広範なデータや制約の厳密なセットの可用性に依存していたが、近年のアプローチでは大きな言語モデル(LLM)を活用してタスクのステップを検証し、それに従って再計画する。 しかし、これらの手法はしばしばオフラインで動作し、シーンリセットを必要とし、コストがかかる。 本稿では,オンライン障害識別と回復のためのニューロシンボリック・フレームワークであるRecoverを紹介する。 オントロジー、論理ルール、LLMベースのプランナを統合することで、Recoverはシンボル情報を活用して、LCMの回復計画の生成能力を高め、関連するコストを削減する。 シミュレーションキッチン環境における本手法の有効性を示すために,AI2Thorシミュレータ設定を記述するオントロジーであるOntoThorを紹介する。 実証的な評価は、OntoThorの論理ルールが解析されたタスクのすべての障害を正確に検出し、リカバリは失敗の検出とリカバリの両方において、LCMにのみ依存するベースライン法よりもかなり優れていることを示している。

関連論文リスト

• RecoveryChaining: Learning Local Recovery Policies for Robust Manipulation [41.38308130776887]
  本稿では,ロボットの回復方針を個別に学習するために階層的強化学習を提案する。 回復方針は、感覚観測に基づいて故障が検出されたときに起動され、ロボットをタスクを完了できる状態に導こうとする。 提案手法は,3段階の多段階操作タスクにおいて,低報酬で評価し,ベースラインで学習したものよりもはるかに堅牢な回復ポリシーを学習する。
  論文  参考訳（メタデータ） (2024-10-17T19:14:43Z)
• Directed Exploration in Reinforcement Learning from Linear Temporal Logic [59.707408697394534]
  リニア時間論理(LTL)は強化学習におけるタスク仕様のための強力な言語である。 合成された報酬信号は基本的に疎結合であり,探索が困難であることを示す。 我々は、仕様をさらに活用し、それに対応するリミット決定性B"uchi Automaton(LDBA)をマルコフ報酬プロセスとしてキャストすることで、よりよい探索を実現することができることを示す。
  論文  参考訳（メタデータ） (2024-08-18T14:25:44Z)
• Cognitive LLMs: Towards Integrating Cognitive Architectures and Large Language Models for Manufacturing Decision-making [51.737762570776006]
  LLM-ACTRは、ヒトに適応し、多目的な意思決定を提供する新しいニューロシンボリックアーキテクチャである。 我々のフレームワークは、ACT-Rの内部決定過程の知識を潜在神経表現として抽出し、組み込む。 デザイン・フォー・マニュファクチャリング・タスクに関する我々の実験は、タスク性能の向上と基礎的意思決定能力の向上を両立させたものである。
  論文  参考訳（メタデータ） (2024-08-17T11:49:53Z)
• RAGEval: Scenario Specific RAG Evaluation Dataset Generation Framework [69.4501863547618]
  本稿では,様々なシナリオにまたがってRAGシステムを評価するためのフレームワークであるRAGvalを紹介する。 事実の正確性に着目し, 完全性, 幻覚, 不適切性の3つの新しい指標を提案する。 実験結果から, RAGEvalは, 生成した試料の明瞭度, 安全性, 適合性, 豊かさにおいて, ゼロショット法とワンショット法より優れていた。
  論文  参考訳（メタデータ） (2024-08-02T13:35:11Z)
• MR-Ben: A Meta-Reasoning Benchmark for Evaluating System-2 Thinking in LLMs [55.20845457594977]
  大規模言語モデル(LLM)は、問題解決と意思決定の能力の向上を示している。 本稿ではメタ推論技術を必要とするプロセスベースのベンチマークMR-Benを提案する。 メタ推論のパラダイムは,システム2のスロー思考に特に適しています。
  論文  参考訳（メタデータ） (2024-06-20T03:50:23Z)
• Can Long-Context Language Models Subsume Retrieval, RAG, SQL, and More? [54.667202878390526]
  長文言語モデル(LCLM)は、従来、検索システムやデータベースといった外部ツールに依存していたタスクへのアプローチに革命をもたらす可能性がある。 実世界のタスクのベンチマークであるLOFTを導入し、文脈内検索と推論においてLCLMの性能を評価するために設計された数百万のトークンを出力する。 以上の結果からLCLMは,これらのタスクを明示的に訓練したことがないにも関わらず,最先端の検索システムやRAGシステムと競合する驚くべき能力を示した。
  論文  参考訳（メタデータ） (2024-06-19T00:28:58Z)
• DORY: Deliberative Prompt Recovery for LLM [11.988508965818767]
  Deliberative PrOmpt Recovery (DORY)は、不確実性を利用してプロンプトを正確に回収する新しいアプローチである。 DORYは出力からのドラフトを再構築し、ヒントでそれらを精製し、不確実性に基づいてノイズを除去する。 評価の結果,DORYは既存のベースラインを上回る性能を示し,約10.82%の性能向上を実現している。
  論文  参考訳（メタデータ） (2024-05-31T07:51:16Z)
• Neural Fault Injection: Generating Software Faults from Natural Language [6.050976240234865]
  本稿では,Reinforcement Learning from Human Feedback (RLHF) を付加したLarge Language Models (LLM) の機能を活用した新しい手法を提案する。 RLHFの使用は反復的な改善プロセスを強調しており、テスタは生成された障害に対してフィードバックを提供することができる。 この革新的な方法論は、テスターがより高いレベルのテスト戦略に集中できるように、障害シナリオの作成に関わる手作業を大幅に削減することを目的としています。
  論文  参考訳（メタデータ） (2024-04-11T05:59:16Z)
• Characterization of Large Language Model Development in the Datacenter [55.9909258342639]
  大きな言語モデル(LLM)は、いくつかの変換タスクにまたがって素晴らしいパフォーマンスを示している。 しかし,大規模クラスタ資源を効率よく利用してLCMを開発することは容易ではない。 我々は,GPUデータセンタAcmeから収集した6ヶ月のLDM開発ワークロードの詳細な評価を行った。
  論文  参考訳（メタデータ） (2024-03-12T13:31:14Z)
• Proactive and AoI-aware Failure Recovery for Stateful NFV-enabled Zero-Touch 6G Networks: Model-Free DRL Approach [0.0]
  ゼロタッチPFR(ZT-PFR)と呼ばれるモデルフリー深部強化学習(DRL)に基づくアクティブ障害回復フレームワークを提案する。 ZT-PFRは、ネットワーク機能仮想化(NFV)対応ネットワークにおける組み込みステートフル仮想ネットワーク機能(VNF)用です。
  論文  参考訳（メタデータ） (2021-02-02T21:40:35Z)
• Recovery command generation towards automatic recovery in ICT systems by Seq2Seq learning [11.387419806996599]
  本稿では,ニューラルネットワークモデルであるSeq2Seqを用いて,回復コマンドを推定する手法を提案する。 新たな障害が発生した場合、収集したログに基づいて、障害から回復する有効なコマンドを推定する。
  論文  参考訳（メタデータ） (2020-03-24T11:34:10Z)

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。