論文の概要: Cogito, ergo sum: A Neurobiologically-Inspired Cognition-Memory-Growth System for Code Generation

• arxiv url: http://arxiv.org/abs/2501.18653v1
• Date: Thu, 30 Jan 2025 01:41:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-03 14:03:48.774255
• Title: Cogito, ergo sum: A Neurobiologically-Inspired Cognition-Memory-Growth System for Code Generation
• Title（参考訳）: Cogito, ergo sum: コード生成のための神経生物学的に着想を得た認知記憶成長システム
• Authors: Yanlong Li, Jindong Li, Qi Wang, Menglin Yang, He Kong, Shengsheng Wang,
• Abstract要約: Cogitoは、低コストでコード生成タスクの問題解決能力を高めるために、神経生物学的にインスパイアされたマルチエージェントフレームワークである。 コギトは各段階で知識と認知スキルを蓄積し、最終的にスーパーロールをコード生成タスクを実行するためのすべての有能なエージェントとして形成する。
• 参考スコア（独自算出の注目度）: 9.920563105290894
• License:
• Abstract: Large language models based Multi Agent Systems (MAS) have demonstrated promising performance for enhancing the efficiency and accuracy of code generation tasks. However,most existing methods follow a conventional sequence of planning, coding, and debugging,which contradicts the growth-driven nature of human learning process. Additionally,the frequent information interaction between multiple agents inevitably involves high computational costs. In this paper,we propose Cogito,a neurobiologically inspired multi-agent framework to enhance the problem-solving capabilities in code generation tasks with lower cost. Specifically,Cogito adopts a reverse sequence: it first undergoes debugging, then coding,and finally planning. This approach mimics human learning and development,where knowledge is acquired progressively. Accordingly,a hippocampus-like memory module with different functions is designed to work with the pipeline to provide quick retrieval in similar tasks. Through this growth-based learning model,Cogito accumulates knowledge and cognitive skills at each stage,ultimately forming a Super Role an all capable agent to perform the code generation task. Extensive experiments against representative baselines demonstrate the superior performance and efficiency of Cogito. The code is publicly available at https://anonymous.4open.science/r/Cogito-0083.
• Abstract（参考訳）: 大規模言語モデルに基づくマルチエージェントシステム(MAS)は、コード生成タスクの効率性と精度を高めるために有望な性能を示す。 しかし、既存のほとんどの手法は従来の計画、コーディング、デバッグのシーケンスに従っており、これは人間の学習プロセスの成長が引き起こす性質とは矛盾する。 さらに、複数のエージェント間の頻繁な情報相互作用は、必然的に高い計算コストを伴う。 本稿では,コード生成タスクにおける問題解決能力を低コストで向上する,神経生物学的にインスパイアされたマルチエージェントフレームワークであるCogitoを提案する。 特に、Cogitoはリバースシーケンスを採用しており、最初にデバッグを行い、次にコーディングし、最終的に計画する。 このアプローチは、知識が徐々に獲得される人間の学習と開発を模倣する。 したがって、異なる機能を持つ海馬のようなメモリモジュールは、パイプラインと連携して、同様のタスクで素早く検索できるように設計されている。 この成長ベースの学習モデルを通じて、Cogitoは各段階で知識と認知スキルを蓄積し、最終的にスーパーロールをコード生成タスクを実行するためのすべての有能なエージェントとして形成する。 代表的ベースラインに対する大規模な実験は、コギトの優れた性能と効率を示す。 コードはhttps://anonymous.4open.science/r/Cogito-0083で公開されている。

関連論文リスト

• UniGenCoder: Merging Seq2Seq and Seq2Tree Paradigms for Unified Code Generation [32.315975899771495]
  既存のコード生成アプローチでは、トークンのシーケンスとしてターゲットコードを生成するSequence-to-Sequenceパラダイムや、アクションのシーケンスとしてコードを出力するSequence-to-Treeパラダイムが重視されている。 コード関連生成タスクに対してUniGenCoderを提案する。これは共有エンコーダと、最小限の追加パラメータを持つ共有デコーダと、各インスタンスに対して最適なパラダイムを動的に選択するセレクタから構成される。 テキスト・ツー・コード生成タスクとコード・ツー・コード生成タスクの実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2025-02-18T03:19:48Z)
• Scaling Large-Language-Model-based Multi-Agent Collaboration [75.5241464256688]
  大規模言語モデルによるエージェントのパイオニア化は、マルチエージェントコラボレーションの設計パターンを暗示している。 神経スケーリング法則に触発された本研究では,マルチエージェント協調におけるエージェントの増加に類似の原理が適用されるかを検討する。
  論文  参考訳（メタデータ） (2024-06-11T11:02:04Z)
• LIBERO: Benchmarking Knowledge Transfer for Lifelong Robot Learning [64.55001982176226]
  LIBEROは、ロボット操作のための生涯学習の新しいベンチマークである。 宣言的知識、手続き的知識、あるいは両者の混在を効率的に伝達する方法に焦点を当てる。 我々は、無限に多くのタスクを生成できる拡張可能な手続き生成パイプラインを開発した。
  論文  参考訳（メタデータ） (2023-06-05T23:32:26Z)
• CONCORD: Clone-aware Contrastive Learning for Source Code [64.51161487524436]
  セルフ教師付き事前トレーニングは、多くのダウンストリームSEタスクに価値のあるジェネリックコード表現を学ぶための牽引役になった。 汎用的な表現学習のために、開発者が日々どのようにコードをコーディングするかは、要因としても不可欠である、と私たちは主張する。 特に,表現空間に良性クローンを近づける自己教師型コントラスト学習戦略であるCONCORDを提案する。
  論文  参考訳（メタデータ） (2023-06-05T20:39:08Z)
• Artificial Neuropsychology: Are Large Language Models Developing Executive Functions? [0.0]
  ハノイ・タワーズ・オブ・ハノイ法によるGPTの計画機能と作業記憶の評価を行った。 予備的な結果は、LLMがハノイの塔でほぼ最適解を生成することを示している。 これらの能力は、タスクが分かっていないときに、よく訓練された人間よりも非常に制限され、悪い。
  論文  参考訳（メタデータ） (2023-05-06T20:53:22Z)
• Incremental procedural and sensorimotor learning in cognitive humanoid robots [52.77024349608834]
  本研究は,手順を段階的に学習する認知エージェントを提案する。 各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。 結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
  論文  参考訳（メタデータ） (2023-04-30T22:51:31Z)
• Enhancing Semantic Code Search with Multimodal Contrastive Learning and Soft Data Augmentation [50.14232079160476]
  コード検索のためのマルチモーダルコントラスト学習とソフトデータ拡張を用いた新しい手法を提案する。 我々は,6つのプログラミング言語を用いた大規模データセットにおけるアプローチの有効性を評価するために,広範囲な実験を行った。
  論文  参考訳（メタデータ） (2022-04-07T08:49:27Z)
• CogNGen: Constructing the Kernel of a Hyperdimensional Predictive Processing Cognitive Architecture [79.07468367923619]
  神経生物学的に妥当な2つの計算モデルを組み合わせた新しい認知アーキテクチャを提案する。 我々は、現代の機械学習技術の力を持つ認知アーキテクチャを開発することを目指している。
  論文  参考訳（メタデータ） (2022-03-31T04:44:28Z)
• Planning with Biological Neurons and Synapses [4.2873412319680035]
  我々はブロック世界の計画問題を再考し、この課題で知られているものを実装した。 私たちは、これがこの種の最初のアルゴリズムであると信じています。 入力はブロックスタックの初期セットとターゲットセットを符号化したシンボルのシーケンスであり、出力は"テーブル上のスタック1の上位ブロックを出力する"などの動作コマンドのシーケンスである。
  論文  参考訳（メタデータ） (2021-12-15T15:09:22Z)

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。