論文の概要: A Novel Task-Driven Method with Evolvable Interactive Agents Using Event Trees for Enhanced Emergency Decision Support

• arxiv url: http://arxiv.org/abs/2501.06193v1
• Date: Tue, 24 Dec 2024 04:53:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-20 04:34:19.69294
• Title: A Novel Task-Driven Method with Evolvable Interactive Agents Using Event Trees for Enhanced Emergency Decision Support
• Title（参考訳）: イベントツリーを用いた対話エージェントの進化型タスク駆動方式による緊急時意思決定支援
• Authors: Xingyu Xiao, Peng Chen, Ben Qi, Jingang Liang, Jiejuan Tong, Haitao Wang,
• Abstract要約: 未確立の緊急計画では、複雑なシステムの故障時にオペレーターが圧倒される可能性がある。 本研究は,新たなアプローチを通じて,予期せぬさまざまなインシデントに対するアジャイル意思決定の緊急ニーズに対処する。 EvoTaskTreeは、イベントツリーを使用して緊急意思決定をサポートする、進化可能な対話エージェントを備えたタスク駆動のメソッドである。
• 参考スコア（独自算出の注目度）: 2.50572897318757
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As climate change and other global challenges increase the likelihood of unforeseen emergencies, the limitations of human-driven strategies in critical situations become more pronounced. Inadequate pre-established emergency plans can lead operators to become overwhelmed during complex systems malfunctions. This study addresses the urgent need for agile decision-making in response to various unforeseen incidents through a novel approach, EvoTaskTree (a task-driven method with evolvable interactive agents using event trees for emergency decision support). This advanced approach integrates two types of agents powered by large language models (LLMs): task executors, responsible for executing critical procedures, and task validators, ensuring the efficacy of those actions. By leveraging insights from event tree analysis, our framework encompasses three crucial tasks: initiating event subevent analysis, event tree header event analysis, and decision recommendations. The agents learn from both successful and unsuccessful responses from these tasks. Finally, we use nuclear power plants as a demonstration of a safety-critical system. Our findings indicate that the designed agents are not only effective but also outperform existing approaches, achieving an impressive accuracy rate of up to 100 % in processing previously unencoun32 tered incident scenarios. This paper demonstrates that EvoTaskTree significantly enhances the rapid formulation of emergency decision-making.
• Abstract（参考訳）: 気候変動やその他の世界的な課題が、予期せぬ事態の可能性を増大させるにつれ、危機的状況における人間主導の戦略の限界がより顕著になる。 未確立の緊急計画では、複雑なシステムの故障時にオペレーターが圧倒される可能性がある。 本研究は,新たなアプローチであるEvoTaskTree(緊急意思決定支援にイベントツリーを使用する,進化可能な対話エージェントによるタスク駆動手法)を通じて,さまざまな予期せぬインシデントに対するアジャイル意思決定の必要性に対処する。 この高度なアプローチは、大きな言語モデル(LLM)をベースとした2種類のエージェントを統合する。 イベントツリー分析からの洞察を活用することで、私たちのフレームワークは、イベントサブイベント分析、イベントツリーヘッダイベント分析、決定レコメンデーションの3つの重要なタスクを含む。 エージェントはこれらのタスクから成功と失敗の両方から学習する。 最後に、安全に重要なシステムの実証として原子力発電所を使用します。 以上の結果から, 設計エージェントは既存の手法よりも優れており, 従来未解決であったインシデントシナリオの処理において, 最大100%の精度で処理できることが示唆された。 本稿では,EvoTaskTreeが緊急意思決定の迅速な定式化を著しく促進することを示す。

関連論文リスト

• A Desideratum for Conversational Agents: Capabilities, Challenges, and Future Directions [51.96890647837277]
  大規模言語モデル(LLM)は、従来の対話システムから、自律的な行動、文脈認識、ユーザとのマルチターンインタラクションが可能な高度なエージェントへと、会話AIを推進してきた。 本調査では,人間レベルの知性にアプローチするよりスケーラブルなシステムにおいて,何が達成されたのか,どのような課題が持続するのか,何を行う必要があるのか,といった,次世代の会話エージェントのデシラトゥムを提示する。
  論文  参考訳（メタデータ） (2025-04-07T21:01:25Z)
• Factorized Deep Q-Network for Cooperative Multi-Agent Reinforcement Learning in Victim Tagging [1.3435319774513577]
  本稿では, 被害者のタグ付けに要する時間を最小限に抑えるために, マルチエージェントの被害者タグ付けを数学的に定式化する。 本稿では,MARL(Multi-agent reinforcement learning)戦略,FDQN(Factized Deep Q-network)の有効性を検討した。
  論文  参考訳（メタデータ） (2025-03-02T01:32:09Z)
• Divide-and-Conquer: Tree-structured Strategy with Answer Distribution Estimator for Goal-Oriented Visual Dialogue [30.126882554391837]
  Answer Distribution Estimator(TSADE)を用いた樹木構造戦略 本稿では,現在の候補オブジェクトの半数を各ラウンドで除外することで,質問生成をガイドする木構造戦略(TSADE)を提案する。 提案手法は,従来のエルゴディックな質問生成手法と比較して,繰り返し質問やラウンドの少ないタスク指向の精度をエージェントが達成できることを実験的に実証する。
  論文  参考訳（メタデータ） (2025-02-09T08:16:09Z)
• Agent-Oriented Planning in Multi-Agent Systems [54.429028104022066]
  本稿では,高速なタスク分解とアロケーションプロセスを活用するマルチエージェントシステムにおけるエージェント指向計画のための新しいフレームワークを提案する。 提案フレームワークにフィードバックループを組み込んで,そのような問題解決プロセスの有効性と堅牢性をさらに向上させる。
  論文  参考訳（メタデータ） (2024-10-03T04:07:51Z)
• DISCOVERYWORLD: A Virtual Environment for Developing and Evaluating Automated Scientific Discovery Agents [49.74065769505137]
  本研究では,新しい科学的発見の完全なサイクルを実行するエージェントの能力を開発し,ベンチマークする最初の仮想環境であるDiscoVERYWORLDを紹介する。 8つのトピックにまたがる120の異なる課題タスクが含まれており、3レベルの難易度といくつかのパラメトリックなバリエーションがある。 従来の環境においてよく機能する強力なベースラインエージェントが、ほとんどのdiscoVERYWORLDタスクに苦労していることがわかった。
  論文  参考訳（メタデータ） (2024-06-10T20:08:44Z)
• Adaptive In-conversation Team Building for Language Model Agents [33.03550687362213]
  複数の大規模言語モデル(LLM)エージェントを活用することは、複雑なタスクに取り組む上で有望なアプローチであることが示されている。 私たちの新しい適応型チーム構築パラダイムは、Captain Agentという新しいエージェント設計を通じて実現された柔軟なソリューションを提供します。 6つの実世界のシナリオに対する包括的な評価は、Captain Agentが既存のマルチエージェントメソッドを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2024-05-29T18:08:37Z)
• Devil's Advocate: Anticipatory Reflection for LLM Agents [53.897557605550325]
  我々のアプローチは、LLMエージェントに対して、与えられたタスクを管理可能なサブタスクに分解するように促す。 イントロスペクティブ・イントロスペクティブ・イントロスペクティブ・イントロスペクティブ(introspective intervention)を3回実施する。 潜在的な障害の予測と、アクション実行前の代替策。 サブタスクの目的とのポストアクションアライメントと、計画実行における最大限の努力を保証するための改善によるバックトラック。
  論文  参考訳（メタデータ） (2024-05-25T19:20:15Z)
• WESE: Weak Exploration to Strong Exploitation for LLM Agents [95.6720931773781]
  本稿では,オープンワールド対話型タスクの解法において,LLMエージェントの強化を目的としたWeak Exploration to Strong Exploitation (WESE)を提案する。 WESEは、探究と搾取のプロセスを分離し、費用対効果の弱いエージェントを用いて世界的知識の探索を行う。 次に、獲得した知識を格納し、タスク関連知識を抽出する知識グラフベースの戦略を導入する。
  論文  参考訳（メタデータ） (2024-04-11T03:31:54Z)
• HAZARD Challenge: Embodied Decision Making in Dynamically Changing Environments [93.94020724735199]
  HAZARDは、火災、洪水、風などの3つの予期せぬ災害シナリオで構成されている。 このベンチマークにより、さまざまなパイプラインで自律エージェントの意思決定能力を評価することができる。
  論文  参考訳（メタデータ） (2024-01-23T18:59:43Z)
• Enhancing Evacuation Planning through Multi-Agent Simulation and Artificial Intelligence: Understanding Human Behavior in Hazardous Environments [0.0]
  本稿では人工知能(AI)技術,特にマルチエージェントシステム(MAS)を用いて避難シミュレーションモデルを構築した。 本研究の目的は、このような苦しい状況下で、個人がどのように反応し、反応するかについての理解を深めることである。
  論文  参考訳（メタデータ） (2023-06-11T08:13:42Z)
• Learning to Generate All Feasible Actions [4.333208181196761]
  アクションマッピングは、学習プロセスを2つのステップに分割する新しいアプローチである。 本稿では、実現可能性モデルの自己教師型クエリにより、実現可能なすべてのアクションを生成することを学ぶことで、実現可能性部分に焦点を当てる。 エージェントが接続不能な実行可能なアクションセット間でアクションを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-01-26T23:15:51Z)

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。