論文の概要: TaskGen: A Task-Based, Memory-Infused Agentic Framework using StrictJSON

• arxiv url: http://arxiv.org/abs/2407.15734v1
• Date: Mon, 22 Jul 2024 15:37:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-23 14:20:51.540677
• Title: TaskGen: A Task-Based, Memory-Infused Agentic Framework using StrictJSON
• Title（参考訳）: TaskGen: StrictJSONを使ったタスクベースのメモリ注入エージェントフレームワーク
• Authors: John Chong Min Tan, Prince Saroj, Bharat Runwal, Hardik Maheshwari, Brian Lim Yi Sheng, Richard Cottrill, Alankrit Chona, Ambuj Kumar, Mehul Motani,
• Abstract要約: TaskGenはオープンソースのエージェントフレームワークで、エージェントを使用して任意のタスクをサブタスクに分解することで解決する。 冗長性を減らすためにTaskGenは、LLM(Large Language Model)からの出力を保証するStrictJSONを使用する。 TaskGenの哲学の鍵は、必要な知識に基づいて情報/メモリを管理することである。
• 参考スコア（独自算出の注目度）: 11.100114057564703
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: TaskGen is an open-sourced agentic framework which uses an Agent to solve an arbitrary task by breaking them down into subtasks. Each subtask is mapped to an Equipped Function or another Agent to execute. In order to reduce verbosity (and hence token usage), TaskGen uses StrictJSON that ensures JSON output from the Large Language Model (LLM), along with additional features such as type checking and iterative error correction. Key to the philosophy of TaskGen is the management of information/memory on a need-to-know basis. We empirically evaluate TaskGen on various environments such as 40x40 dynamic maze navigation with changing obstacle locations (100% solve rate), TextWorld escape room solving with dense rewards and detailed goals (96% solve rate), web browsing (69% of actions successful), solving the MATH dataset (71% solve rate over 100 Level-5 problems), Retrieval Augmented Generation on NaturalQuestions dataset (F1 score of 47.03%)
• Abstract（参考訳）: TaskGenはオープンソースのエージェントフレームワークで、エージェントを使用して任意のタスクをサブタスクに分解することで解決する。 各サブタスクは、Equipped Functionまたは他のエージェントにマップされて実行される。 冗長性を減らすためにTaskGenは,LLM(Large Language Model)からのJSON出力を保証するStrictJSONと,型チェックや反復的エラー修正などの追加機能を使用している。 TaskGenの哲学の鍵は、必要な知識に基づいて情報/メモリを管理することである。 我々は,40×40個の動的迷路ナビゲーション(100%解答率),高密度報酬と詳細な目標(96%解答率),Webブラウジング(69%),MATHデータセット(71%解答率100以上のレベル5問題),Retrieval Augmented Generation on NaturalQuestionsデータセット(F1スコア47.03%)など,さまざまな環境においてTaskGenを実証的に評価した。

関連論文リスト

• MMAU: A Holistic Benchmark of Agent Capabilities Across Diverse Domains [54.117238759317004]
  大規模マルチタスクエージェント理解(MMAU)ベンチマークは、複雑な環境設定を必要としない包括的なオフラインタスクを特徴としている。 ツールユース、DAG(Directed Acyclic Graph)QA、データサイエンスと機械学習コーディング、コンテストレベルのプログラミング、数学の5分野にわたるモデルを評価する。 3K以上の異なるプロンプトを含む20の精巧に設計されたタスクにより、MMAUはLLMエージェントの強度と限界を評価するための包括的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-07-18T00:58:41Z)
• Localizing Task Information for Improved Model Merging and Compression [61.16012721460561]
  我々は,各タスクの重み付けが重なり合わないことが多いため,各タスクがマージされた後も,各タスクの解決に必要な情報が保存されていることを示す。 本稿では,そのような重みを排除し,既存のモデルマージ手法の一般的な性能を改善するアルゴリズムであるConsensus Mergingを提案する。
  論文  参考訳（メタデータ） (2024-05-13T14:54:37Z)
• Data Interpreter: An LLM Agent For Data Science [43.13678782387546]
  LLM(Large Language Model)ベースのエージェントは多くのアプリケーションで有効性を示している。 しかし、長期的な相互接続タスク、動的なデータ調整、ドメインの専門知識の解決を必要とするデータサイエンスのシナリオでの利用は、依然として困難である。 本稿では,LLMをベースとしたエージェントであるData Interpreterについて述べる。
  論文  参考訳（メタデータ） (2024-02-28T19:49:55Z)
• Look Before You Leap: A Universal Emergent Decomposition of Retrieval Tasks in Language Models [58.57279229066477]
  本研究では,言語モデル(LM)が様々な状況下での検索タスクをどのように解決するかを検討する。 ORIONは6つのドメインにまたがる構造化された検索タスクの集合である。 LMは内部的にモジュール方式で検索タスクを分解する。
  論文  参考訳（メタデータ） (2023-12-13T18:36:43Z)
• Lightweight Learner for Shared Knowledge Lifelong Learning [14.313127724087328]
  Lifelong Learning (LL)では、エージェントは新しい条件やタスクに遭遇しながら継続的に学習する。 現在のLLのほとんどは、タスクをシーケンシャルに学習する単一のエージェントに限られている。指定されたLLマシンは、新しいタスクが学習されると、古いタスクの忘れを緩和するためにデプロイされる。 LLエージェントの分散集団を配置し,それぞれが異なるタスクを逐次学習する共有知識生涯学習(SKILL)課題を提案する。
  論文  参考訳（メタデータ） (2023-05-24T21:58:19Z)
• TaskWeb: Selecting Better Source Tasks for Multi-task NLP [76.03221609799931]
  ペアワイズタスク転送によるタスク関係の認識は、新しいターゲットタスクの学習に役立つ1つ以上のソースタスクの選択を改善する。 私たちはTaskWebを使って、新しいターゲットタスクの学習にソースタスクを使うことの利点を推定し、マルチタスクトレーニングに有用なトレーニングタスクのサブセットを選択する。 本手法は,ソースタスクの総合ランキングとトップk精度をそれぞれ10%,トップk精度を38%向上させる。
  論文  参考訳（メタデータ） (2023-05-22T17:27:57Z)
• Behavior Retrieval: Few-Shot Imitation Learning by Querying Unlabeled Datasets [73.2096288987301]
  オフラインでラベル付けされていないデータセットから、少量のダウンストリーム専門家データを用いて、関連する振る舞いを選択的にクエリする簡単なアプローチを提案する。 提案手法では,タスクへの関連する遷移のみを問合せし,サブ最適データやタスク非関連データをフィルタリングする。 我々の単純なクエリ手法は、画像からシミュレーションされた実際のロボット操作タスクに対して、より複雑な目標条件の手法よりも20%優れています。
  論文  参考訳（メタデータ） (2023-04-18T05:42:53Z)
• ForkMerge: Mitigating Negative Transfer in Auxiliary-Task Learning [59.08197876733052]
  補助タスク学習(ATL)は、関連するタスクから得られる知識を活用することにより、目標タスクの性能を向上させることを目的としている。 複数のタスクを同時に学習すると、ターゲットタスクのみを学習するよりも精度が低下することがある。 ForkMergeは、モデルを定期的に複数のブランチにフォークし、タスクの重みを自動的に検索する新しいアプローチである。
  論文  参考訳（メタデータ） (2023-01-30T02:27:02Z)
• Multi-Relational Graph based Heterogeneous Multi-Task Learning in Community Question Answering [28.91133131424694]
  我々はHMTGIN(Heterogeneous Multi-Task Graph Isomorphism Network)と呼ばれるマルチリレーショナルグラフに基づくマルチタスク学習モデルを開発する。 各トレーニングフォワードパスでは、HMTGINは入力されたCQAフォーラムグラフをグラフ同型ネットワークの拡張によって埋め込み、接続をスキップする。 評価において、埋め込みは異なるタスク固有の出力層間で共有され、対応する予測を行う。
  論文  参考訳（メタデータ） (2021-09-04T03:19:20Z)
• Instance-Level Task Parameters: A Robust Multi-task Weighting Framework [17.639472693362926]
  最近の研究によると、ディープニューラルネットワークは、複数の関連するタスク間で共有表現を学習することで、マルチタスク学習の恩恵を受けている。 トレーニングプロセスは、データセットの各インスタンスに対するタスクの最適な重み付けを規定します。 我々は,SURREALとCityScapesのデータセットを用いて,人間の形状とポーズ推定,深さ推定,セマンティックセグメンテーションタスクについて広範な実験を行った。
  論文  参考訳（メタデータ） (2021-06-11T02:35:42Z)

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。