論文の概要: AutoGRAMS: Autonomous Graphical Agent Modeling Software
- arxiv url: http://arxiv.org/abs/2407.10049v1
- Date: Sun, 14 Jul 2024 02:25:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-16 19:38:33.824073
- Title: AutoGRAMS: Autonomous Graphical Agent Modeling Software
- Title（参考訳）: AutoGRAMS:自律的なグラフィカルエージェントモデリングソフトウェア
- Authors: Ben Krause, Lucia Chen, Emmanuel Kahembwe,
- Abstract要約: 本稿では,言語モデルとマルチステップインタラクションを行うためのAutoGRAMSフレームワークを紹介する。
AutoGRAMSはAIエージェントをグラフとして表現し、各ノードは言語モデリング命令または従来のコードのいずれかを実行することができる。
- 参考スコア（独自算出の注目度）: 1.2757527868437508
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce the AutoGRAMS framework for programming multi-step interactions with language models. AutoGRAMS represents AI agents as a graph, where each node can execute either a language modeling instruction or traditional code. Likewise, transitions in the graph can be governed by either language modeling decisions or traditional branch logic. AutoGRAMS supports using variables as memory and allows nodes to call other AutoGRAMS graphs as functions. We show how AutoGRAMS can be used to design highly sophisticated agents, including self-referential agents that can modify their own graph. AutoGRAMS's graph-centric approach aids interpretability, controllability, and safety during the design, development, and deployment of AI agents. We provide our framework as open source at https://github.com/autograms/autograms .
- Abstract（参考訳）: 本稿では,言語モデルとマルチステップインタラクションを行うためのAutoGRAMSフレームワークを紹介する。
AutoGRAMSはAIエージェントをグラフとして表現し、各ノードは言語モデリング命令または従来のコードのいずれかを実行することができる。
同様に、グラフの遷移は言語モデリングの決定または伝統的な分岐論理によって制御できる。
AutoGRAMSは変数をメモリとして使用することをサポートし、ノードは他のAutoGRAMSグラフを関数として呼び出すことができる。
本稿では、AutoGRAMSを用いて、自己参照エージェントを含む高度なエージェントを設計する方法について述べる。
AutoGRAMSのグラフ中心のアプローチは、AIエージェントの設計、開発、デプロイにおける解釈可能性、制御性、安全性を支援する。
私たちはフレームワークをhttps://github.com/autograms/autogramsでオープンソースとして提供しています。
関連論文リスト
- A Hierarchical Language Model For Interpretable Graph Reasoning [47.460255447561906]
ノード中心の局所情報と相互作用中心のグローバル構造を捉えるために2ブロックアーキテクチャを用いる階層型グラフ言語モデル(HLM-G)を導入する。
提案手法は,大規模グラフ処理における計算コストを削減しつつ,高い効率性,効率性,ロバスト性で様々なグラフクエリに対処することを可能にする。
多様なグラフ推論およびノード,リンク,グラフレベルの実世界のタスクに対する総合的な評価は,本手法の優位性を強調している。
論文 参考訳（メタデータ） (2024-10-29T00:28:02Z) - GraphFSA: A Finite State Automaton Framework for Algorithmic Learning on Graphs [18.95453617434051]
GraphFSAは、与えられたグラフの各ノード上で動作する有限状態オートマトンを学ぶように設計されている。
セルラーオートマトン問題に対してGraphFSAを試験し、その能力を簡単なアルゴリズム設定で示す。
メインのアプリケーションとして、より精巧なグラフアルゴリズムを学ぶことに集中します。
論文 参考訳（メタデータ） (2024-08-20T17:49:47Z) - UniGraph: Learning a Unified Cross-Domain Foundation Model for Text-Attributed Graphs [30.635472655668078]
Text-Attributed Graphs (TAG) は、さまざまなドメインにまたがる見えないグラフやタスクに一般化することができる。
本稿では,言語モデル (LM) とグラフニューラルネットワーク (GNN) をバックボーンネットワークとして,新しいケースドアーキテクチャを提案する。
本モデルの有効性を,未確認グラフの自己教師型表現学習,少数ショットインコンテキスト転送,ゼロショット転送で実証する。
論文 参考訳（メタデータ） (2024-02-21T09:06:31Z) - Hi-ArG: Exploring the Integration of Hierarchical Argumentation Graphs
in Language Pretraining [62.069374456021016]
議論を整理する新しい構造である階層的議論グラフ(Hi-ArG)を提案する。
また,テキストグラフマルチモーダルモデルであるGreaseArGや,グラフ情報を付加した新たな事前学習フレームワークなど,Hi-ArGを活用するための2つのアプローチを導入する。
論文 参考訳（メタデータ） (2023-12-01T19:03:38Z) - One for All: Towards Training One Graph Model for All Classification Tasks [61.656962278497225]
様々なグラフタスクの統一モデルは、主にグラフ学習領域に固有の課題のために、まだ探索されていない。
上記の課題に対処するために単一のグラフモデルを使用できる最初の汎用フレームワークである textbfOne for All (OFA) を提案する。
OFAは様々なタスクでうまく機能し、グラフ上の最初の汎用のクロスドメイン分類モデルとなる。
論文 参考訳（メタデータ） (2023-09-29T21:15:26Z) - GraphMAE: Self-Supervised Masked Graph Autoencoders [52.06140191214428]
本稿では,自己教師付きグラフ学習における課題を軽減するマスク付きグラフオートエンコーダGraphMAEを提案する。
我々は3つの異なるグラフ学習タスクに対して、21の公開データセットに関する広範な実験を行った。
その結果,GraphMAEはグラフオートエンコーダであり,設計に注意を払っている。
論文 参考訳（メタデータ） (2022-05-22T11:57:08Z) - Automated Graph Machine Learning: Approaches, Libraries, Benchmarks and Directions [58.220137936626315]
本稿では,グラフ機械学習の自動手法について論じる。
当社の専用かつ世界初のグラフ機械学習のためのオープンソースライブラリであるAutoGLを紹介します。
また、統一的で再現性があり、効率的な評価をサポートする調整されたベンチマークについて述べる。
論文 参考訳（メタデータ） (2022-01-04T18:31:31Z) - AutoGL: A Library for Automated Graph Learning [67.63587865669372]
グラフ上での機械学習を自動化するための,最初の専用ライブラリであるAutomated Graph Learning(AutoGL)を紹介する。
AutoGLはオープンソースで、使いやすく、拡張も柔軟です。
また、パイプラインのカスタマイズとアプリケーションの強化を容易にする、AutoGLの軽量バージョンであるAutoGL-lightも紹介します。
論文 参考訳（メタデータ） (2021-04-11T10:49:23Z) - Automated Machine Learning on Graphs: A Survey [81.21692888288658]
本稿では,グラフ上の自動機械学習の体系的かつ包括的レビューを行う。
グラフ機械学習のためのハイパーパラメータ最適化(HPO)とニューラルアーキテクチャ探索(NAS)に注目した。
最後に、自動化グラフ機械学習の今後の研究方向に関する洞察を共有します。
論文 参考訳（メタデータ） (2021-03-01T04:20:33Z) - Relation Extraction with Self-determined Graph Convolutional Network [9.752388851329664]
関係抽出は、テキスト内のエンティティ間の意味的関係を得る方法である。
最先端の手法は言語ツールを使用して、エンティティが現れるテキスト用のグラフを構築する。
本稿では,自己認識機構を用いて重み付きグラフを決定する新たなモデルである自己決定グラフ畳み込みネットワーク(SGCN)を提案する。
論文 参考訳（メタデータ） (2020-08-02T09:52:58Z) - Graph-Aware Transformer: Is Attention All Graphs Need? [5.240000443825077]
GRaph-Aware Transformer (GRAT)はTransformerベースの最初のモデルであり、グラフ全体をエンドツーエンドでエンコードしデコードすることができる。
GRATはQM9ベンチマークで4つの回帰タスクに対する最先端のパフォーマンスを含む非常に有望な結果を示している。
論文 参考訳（メタデータ） (2020-06-09T12:13:56Z)
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。