論文の概要: A Training-free LLM Framework with Interaction between Contextually Related Subtasks in Solving Complex Tasks

• arxiv url: http://arxiv.org/abs/2503.23053v1
• Date: Sat, 29 Mar 2025 12:08:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:36:56.334256
• Title: A Training-free LLM Framework with Interaction between Contextually Related Subtasks in Solving Complex Tasks
• Title（参考訳）: 複雑な課題の解決における文脈関連サブタスク間の相互作用を考慮した学習不要LLMフレームワーク
• Authors: Hongjia Liu, Jinlong Li,
• Abstract要約: 本稿では、サブタスクが特定の情報を問い合わせたり、リクエストを送信することで、サブタスクが完了したサブタスクで特定のアクションをトリガーすることを可能にする、インタラクション機構を備えたトレーニングフリーフレームワークを提案する。 対話型意思決定タスク WebShop とマルチホップ質問応答HotpotQA を GPT-3.5 と GPT-4 で評価した結果,我々のフレームワークは最先端のトレーニングフリーベースラインよりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 10.95497093348318
• License:
• Abstract: Large language models (LLMs) have shown remarkable capabilities in solving complex tasks. Recent work has explored decomposing such tasks into subtasks with independent contexts. However, some contextually related subtasks may encounter information loss during execution, leading to redundant operations or execution failures. To address this issue, we propose a training-free framework with an interaction mechanism, which enables a subtask to query specific information or trigger certain actions in completed subtasks by sending requests. To implement interaction, we introduce a subtask trajectory memory to enable resumption of completed subtasks upon receiving interaction requests. Additionally, we propose a new action during execution, which generates a concise and precise description of execution process and outcomes of a subtask, to assist subsequent subtasks in determining interaction targets and requests. We evaluate our framework on interactive decision-making task WebShop and multi-hop question answering HotpotQA, with GPT-3.5 and GPT-4, and comparison results show that our framework outperforms the state-of-the-art training-free baselines.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、複雑なタスクを解く際、顕著な能力を示している。 最近の研究は、そのようなタスクを独立したコンテキストを持つサブタスクに分解することを検討した。 しかし、コンテキストに関連するいくつかのサブタスクは、実行中に情報損失が発生し、冗長な操作や実行障害が発生する可能性がある。 この問題に対処するために、サブタスクが特定の情報を問い合わせたり、リクエストを送信することで、サブタスクが完了したサブタスクで特定のアクションをトリガーすることを可能にする、インタラクション機構を備えたトレーニングフリーフレームワークを提案する。 インタラクションを実現するために,対話要求の受信時にサブタスクを再開するためのサブタスクトラジェクトリメモリを導入する。 さらに,実行中の新しいアクションを提案し,実行プロセスとサブタスクの結果を簡潔かつ正確に記述し,その後のサブタスクが対話対象や要求を決定するのを支援する。 対話型意思決定タスク WebShop とマルチホップ質問応答HotpotQA を GPT-3.5 と GPT-4 で評価した結果,我々のフレームワークは最先端のトレーニングフリーベースラインよりも優れていることがわかった。

関連論文リスト

• TemPrompt: Multi-Task Prompt Learning for Temporal Relation Extraction in RAG-based Crowdsourcing Systems [21.312052922118585]
  時間的関係抽出(TRE)は、出来事や行動の進化を把握し、関連するタスクのワークフローを形成することを目的としている。 本稿では,TRE(TemPrompt)のためのマルチタスク・プロンプト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-21T01:52:37Z)
• Data-CUBE: Data Curriculum for Instruction-based Sentence Representation Learning [85.66907881270785]
  本稿では,学習用マルチタスクデータの順序を列挙するデータカリキュラム,すなわちData-CUBEを提案する。 タスクレベルでは、タスク間の干渉リスクを最小化するために最適なタスクオーダーを見つけることを目的としている。 インスタンスレベルでは、タスク毎のすべてのインスタンスの難易度を測定し、トレーニングのためにそれらを簡単に微分できるミニバッチに分割します。
  論文  参考訳（メタデータ） (2024-01-07T18:12:20Z)
• Musketeer: Joint Training for Multi-task Vision Language Model with Task Explanation Prompts [75.75548749888029]
  本稿では,全てのタスクに対してパラメータを共同で訓練し,複数の異種タスク間で完全に共有する視覚言語モデルを提案する。 単一のモデルで、Musteteerは単一のタスクでトレーニングされた強いベースラインに匹敵する結果を得る。
  論文  参考訳（メタデータ） (2023-05-11T17:57:49Z)
• Robust Subtask Learning for Compositional Generalization [20.54144051436337]
  我々は、どんなタスクでも実行できるように、サブタスクポリシーをトレーニングする問題に焦点を合わせます。 我々は、平均的なケースのパフォーマンスとは対照的に、すべてのタスクで最悪のケースのパフォーマンスを最大化することを目指している。
  論文  参考訳（メタデータ） (2023-02-06T18:19:25Z)
• Decomposed Prompting: A Modular Approach for Solving Complex Tasks [55.42850359286304]
  本稿では,より単純なサブタスクに分解することで,複雑なタスクを解くための分解プロンプトを提案する。 このモジュール構造は、各プロンプトを特定のサブタスクに最適化することを可能にする。 Decomposed Promptingの柔軟性とモジュラリティは、数発のプロンプトで先行作業より優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-05T17:28:20Z)
• Fast Inference and Transfer of Compositional Task Structures for Few-shot Task Generalization [101.72755769194677]
  本稿では,タスクがサブタスクグラフによって特徴づけられる,数発の強化学習問題として定式化する。 我々のマルチタスクサブタスクグラフ推論器(MTSGI)は、トレーニングタスクから、まず、サブタスクグラフの観点から、一般的なハイレベルなタスク構造を推測する。 提案手法は,2次元グリッドワールドおよび複雑なWebナビゲーション領域において,タスクの共通基盤構造を学習し,活用し,未知のタスクへの適応を高速化する。
  論文  参考訳（メタデータ） (2022-05-25T10:44:25Z)
• Exploring Relational Context for Multi-Task Dense Prediction [76.86090370115]
  我々は,共通バックボーンと独立タスク固有のヘッドで表される,密集予測タスクのためのマルチタスク環境を考える。 マルチタスク設定では,グローバルやローカルなど,さまざまな注意に基づくコンテキストを探索する。 タスクペアごとに利用可能なすべてのコンテキストのプールをサンプリングするAdaptive Task-Relational Contextモジュールを提案する。
  論文  参考訳（メタデータ） (2021-04-28T16:45:56Z)
• OCEAN: Online Task Inference for Compositional Tasks with Context Adaptation [150.1979017130774]
  構成タスクに対するオンラインタスク推論を行うための変分推論フレームワークを提案する。 本フレームワークは,タスク構造に関する事前の知識に基づいて,柔軟な潜伏分布をサポートし,教師なしで訓練することができる。
  論文  参考訳（メタデータ） (2020-08-17T04:50:34Z)

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。