論文の概要: SelfGoal: Your Language Agents Already Know How to Achieve High-level Goals

• arxiv url: http://arxiv.org/abs/2406.04784v1
• Date: Fri, 7 Jun 2024 09:32:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-10 14:40:28.919451
• Title: SelfGoal: Your Language Agents Already Know How to Achieve High-level Goals
• Title（参考訳）: SelfGoal:あなたの言語エージェントは、ハイレベルなゴールを達成する方法をすでに知っている
• Authors: Ruihan Yang, Jiangjie Chen, Yikai Zhang, Siyu Yuan, Aili Chen, Kyle Richardson, Yanghua Xiao, Deqing Yang,
• Abstract要約: SelfGoalは、ハイレベルな目標を達成するための言語エージェントの能力を高めるために設計された、新しい自動アプローチである。 SelfGoalの中核的な概念は、高レベルの目標を適応的に、より実用的なサブゴールのツリー構造に分解することである。 実験の結果,SelfGoalは様々なタスクにおける言語エージェントの性能を大幅に向上させることがわかった。
• 参考スコア（独自算出の注目度）: 45.28526882617613
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Language agents powered by large language models (LLMs) are increasingly valuable as decision-making tools in domains such as gaming and programming. However, these agents often face challenges in achieving high-level goals without detailed instructions and in adapting to environments where feedback is delayed. In this paper, we present SelfGoal, a novel automatic approach designed to enhance agents' capabilities to achieve high-level goals with limited human prior and environmental feedback. The core concept of SelfGoal involves adaptively breaking down a high-level goal into a tree structure of more practical subgoals during the interaction with environments while identifying the most useful subgoals and progressively updating this structure. Experimental results demonstrate that SelfGoal significantly enhances the performance of language agents across various tasks, including competitive, cooperative, and deferred feedback environments. Project page: https://selfgoal-agent.github.io.
• Abstract（参考訳）: 大規模言語モデル(LLM)を利用した言語エージェントは、ゲームやプログラミングといった領域における意思決定ツールとしてますます価値が増している。 しかしながら、これらのエージェントは、詳細な指示なしにハイレベルな目標を達成することや、フィードバックが遅れた環境に適応することにおいて、しばしば課題に直面します。 本稿では,人間の事前および環境フィードバックを限定した高次目標達成のためのエージェント能力向上を目的とした,新たな自動アプローチであるSelfGoalを提案する。 セルフゴールの中核的な概念は、環境との相互作用中に高レベルのゴールをより実用的なサブゴールの木構造に適応的に分割し、最も有用なサブゴールを特定し、この構造を段階的に更新することである。 実験の結果、SelfGoalは、競争性、協調性、遅延したフィードバック環境を含む様々なタスクにおける言語エージェントの性能を著しく向上することが示された。 プロジェクトページ: https://selfgoal-agent.github.io

関連論文リスト

• Gödel Agent: A Self-Referential Agent Framework for Recursive Self-Improvement [117.94654815220404]
  G"odel AgentはG"odelマシンにインスパイアされた自己進化型フレームワークである。 G"odel Agentは、パフォーマンス、効率、一般化性において手作業によるエージェントを上回る、継続的な自己改善を実現することができる。
  論文  参考訳（メタデータ） (2024-10-06T10:49:40Z)
• A Survey on Complex Tasks for Goal-Directed Interactive Agents [60.53915548970061]
  この調査は、目標指向の対話エージェントを評価するための、関連するタスクと環境をコンパイルする。 関連リソースの最新のコンパイルは、プロジェクトのWebサイトにある。
  論文  参考訳（メタデータ） (2024-09-27T08:17:53Z)
• Symbolic Learning Enables Self-Evolving Agents [55.625275970720374]
  エージェントシンボリックラーニング(エージェントシンボリックラーニング)(エージェントシンボリックラーニング)は、言語エージェントが自分自身で最適化できるための体系的なフレームワークである。 エージェント記号学習は、コネクショナリズム学習における2つの基本的なアルゴリズムを模倣することにより、言語エージェント内のシンボルネットワークを最適化するように設計されている。 我々は、標準ベンチマークと複雑な実世界のタスクの両方で概念実証実験を行う。
  論文  参考訳（メタデータ） (2024-06-26T17:59:18Z)
• Retroformer: Retrospective Large Language Agents with Policy Gradient Optimization [103.70896967077294]
  本稿では,レトロスペクティブモデルを学習することで,大規模言語エージェントを強化するための原則的枠組みを提案する。 提案するエージェントアーキテクチャは,事前学習した言語モデルを微調整するために,複数の環境やタスクにまたがる報酬から学習する。 様々なタスクの実験結果から、言語エージェントは時間とともに改善することが示された。
  論文  参考訳（メタデータ） (2023-08-04T06:14:23Z)
• WebArena: A Realistic Web Environment for Building Autonomous Agents [92.3291458543633]
  我々は、非常に現実的で再現可能な言語誘導エージェントのための環境を構築する。 我々は,Web上でタスクを実行するエージェントに着目し,4つの共通ドメインから完全に機能するWebサイトを持つ環境を構築する。 タスク完了の関数的正しさを評価することに焦点を当てたベンチマークタスクのセットをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T22:59:32Z)
• Generating Automatic Curricula via Self-Supervised Active Domain Randomization [11.389072560141388]
  我々は、目標と環境のカリキュラムを共同で学習するために、セルフプレイフレームワークを拡張します。 本手法は, エージェントがより困難なタスクや環境変化から学習する, ゴールタスクの複合カリキュラムを生成する。 本結果から,各環境に設定された目標の難易度とともに,環境の難易度を両立させるカリキュラムが,テスト対象の目標指向タスクに実用的利益をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2020-02-18T22:45:29Z)

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。