論文の概要: LLM-Generated Heuristics for AI Planning: Do We Even Need Domain-Independence Anymore?

• arxiv url: http://arxiv.org/abs/2501.18784v1
• Date: Thu, 30 Jan 2025 22:21:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-03 14:02:07.987066
• Title: LLM-Generated Heuristics for AI Planning: Do We Even Need Domain-Independence Anymore?
• Title（参考訳）: AI計画のためのLLM生成ヒューリスティックス:ドメイン依存は必要か?
• Authors: Alexander Tuisov, Yonatan Vernik, Alexander Shleyfman,
• Abstract要約: 大規模言語モデル(LLM)は、特定の計画問題に適した計画手法を生成することができる。 LLMは、いくつかの標準IPCドメインで最先端のパフォーマンスを達成することができる。 これらの結果がパラダイムシフトを意味するのか、既存の計画手法をどのように補完するかについて議論する。
• 参考スコア（独自算出の注目度）: 87.71321254733384
• License:
• Abstract: Domain-independent heuristics have long been a cornerstone of AI planning, offering general solutions applicable across a wide range of tasks without requiring domain-specific engineering. However, the advent of large language models (LLMs) presents an opportunity to generate heuristics tailored to specific planning problems, potentially challenging the necessity of domain independence as a strict design principle. In this paper, we explore the use of LLMs to automatically derive planning heuristics from task descriptions represented as successor generators and goal tests written in general purpose programming language. We investigate the trade-offs between domain-specific LLM-generated heuristics and traditional domain-independent methods in terms of computational efficiency and explainability. Our experiments demonstrate that LLMs can create heuristics that achieve state-of-the-art performance on some standard IPC domains, as well as their ability to solve problems that lack an adequate Planning Domain Definition Language ({\sc pddl}) representation. We discuss whether these results signify a paradigm shift and how they can complement existing approaches.
• Abstract（参考訳）: ドメインに依存しないヒューリスティックスは、長い間AI計画の基盤であり、ドメイン固有のエンジニアリングを必要とせずに、幅広いタスクに適用可能な一般的なソリューションを提供してきた。 しかし、大規模言語モデル(LLM)の出現は、特定の計画問題に適したヒューリスティックを生成する機会を示し、厳密な設計原則としてドメイン独立の必要性に挑戦する可能性がある。 本稿では, LLMを用いて, 汎用プログラミング言語で記述されたタスク記述やゴールテストから, 計画ヒューリスティックスを自動的に導出する方法について検討する。 本稿では,ドメイン固有のLLM生成ヒューリスティックスと従来のドメインに依存しない手法とのトレードオフを,計算効率と説明可能性の観点から検討する。 我々の実験は、LCMが標準的なIPCドメイン上での最先端の性能を実現するヒューリスティックや、適切なプランニングドメイン定義言語({\sc pddl})の表現を欠く問題を解くことができることを示した。 これらの結果がパラダイムシフトを意味するのか、既存のアプローチをどのように補完するかについて議論する。

関連論文リスト

• LLMs Can Plan Only If We Tell Them [16.593590353705697]
  大規模言語モデル (LLM) は自然言語処理や推論において重要な機能を示している。 本稿では,LLMが人間と競合する長期計画を独立に生成できるかどうかを考察する。
  論文  参考訳（メタデータ） (2025-01-23T10:46:14Z)
• Exploring Language Model Generalization in Low-Resource Extractive QA [57.14068405860034]
  ドメインドリフト下でのLarge Language Models (LLM) を用いた抽出質問応答(EQA)について検討する。 性能ギャップを実証的に説明するための一連の実験を考案する。
  論文  参考訳（メタデータ） (2024-09-27T05:06:43Z)
• Planning in the Dark: LLM-Symbolic Planning Pipeline without Experts [34.636688162807836]
  大規模言語モデル(LLM)は、自然言語で記述された計画課題の解決において有望であるが、それらの直接的な使用はしばしば矛盾した推論と幻覚をもたらす。 本稿では,自然言語記述の多種多様な解釈を考慮し,複数の候補を生成するアクションスキーマライブラリを構築する手法を提案する。 実験の結果、パイプラインは直接LLM計画アプローチよりもプランニングが優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-24T09:33:12Z)
• WorkArena++: Towards Compositional Planning and Reasoning-based Common Knowledge Work Tasks [85.95607119635102]
  大型言語モデル(LLM)は人間のような知性を模倣することができる。 WorkArena++は、Webエージェントの計画、問題解決、論理的/論理的推論、検索、コンテキスト的理解能力を評価するように設計されている。
  論文  参考訳（メタデータ） (2024-07-07T07:15:49Z)
• Meta Reasoning for Large Language Models [58.87183757029041]
  大規模言語モデル(LLM)の新規かつ効率的なシステムプロセッシング手法であるメタ推論プロンプト(MRP)を導入する。 MRPは、各タスクの特定の要求に基づいて異なる推論メソッドを動的に選択し、適用するようLLMに誘導する。 総合的なベンチマークによりMPPの有効性を評価する。
  論文  参考訳（メタデータ） (2024-06-17T16:14:11Z)
• ALPINE: Unveiling the Planning Capability of Autoregressive Learning in Language Models [48.559185522099625]
  計画は人間の知性と現代大言語モデル(LLM)の両方の重要な要素である 本稿では,トランスフォーマーを用いたLLMにおける次の単語予測機構による計画能力の出現について検討する。
  論文  参考訳（メタデータ） (2024-05-15T09:59:37Z)
• Learning Logic Specifications for Policy Guidance in POMDPs: an Inductive Logic Programming Approach [57.788675205519986]
  我々は任意の解法によって生成されるPOMDP実行から高品質なトレースを学習する。 我々は、データと時間効率のIndu Logic Programming(ILP)を利用して、解釈可能な信念に基づくポリシー仕様を生成する。 ASP(Answer Set Programming)で表現された学習は、ニューラルネットワークよりも優れた性能を示し、より少ない計算時間で最適な手作りタスクに類似していることを示す。
  論文  参考訳（メタデータ） (2024-02-29T15:36:01Z)
• ISR-LLM: Iterative Self-Refined Large Language Model for Long-Horizon Sequential Task Planning [7.701407633867452]
  大規模言語モデル(LLM)は、タスクに依存しないプランナとして一般化性を高める可能性を提供する。 ISR-LLMは,反復的な自己複製プロセスを通じてLCMに基づく計画を改善する新しいフレームワークである。 ISR-LLM は現状の LLM ベースのプランナに比べてタスク達成率を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2023-08-26T01:31:35Z)
• Translating Natural Language to Planning Goals with Large-Language Models [19.738395237639136]
  近年の大規模言語モデル(LLM)は,様々な自然言語処理(NLP)タスクにおいて顕著な性能を示した。 我々の中心的な問題は、LLMが自然言語で指定された目標を構造化された計画言語に翻訳できるかどうかである。 GPT 3.5 変種に対する実験結果から,LCM は計画よりも翻訳に適していることが示された。
  論文  参考訳（メタデータ） (2023-02-10T09:17:52Z)
• Plansformer: Generating Symbolic Plans using Transformers [24.375997526106246]
  大規模言語モデル(LLM)は、自然言語処理(NLP)分野を著しく進歩させ、活発な研究対象となっている。 プランフォーマーは計画上の問題に微調整され、知識工学の努力を減らし、正確さと長さの点で良好な行動で計画を生成することができる。 Plansformerの1つの構成では、97%の有効なプランが達成されます。
  論文  参考訳（メタデータ） (2022-12-16T19:06:49Z)

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。