論文の概要: ALAS: A Stateful Multi-LLM Agent Framework for Disruption-Aware Planning

• arxiv url: http://arxiv.org/abs/2505.12501v1
• Date: Sun, 18 May 2025 17:27:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.269058
• Title: ALAS: A Stateful Multi-LLM Agent Framework for Disruption-Aware Planning
• Title（参考訳）: ALAS: ディスラプション対応計画のためのステートフルなマルチLLMエージェントフレームワーク
• Authors: Edward Y. Chang, Longling Geng,
• Abstract要約: 本稿では,4つの基本的なLLM障害に対処するフレームワークであるAdaptive LLM Agent System (ALAS)を提案する。 ALASは各計画をロール特殊化エージェントに分解し、それらを自動状態トラッキングに装備し、軽量なプロトコルを介して調整する。 実世界の大規模ジョブショップスケジューリングベンチマークにおいて、ALASは静的シーケンシャルな計画のための新しい最良の結果を設定し、予期せぬ破壊を伴う動的リアクティブシナリオを最適化する。
• 参考スコア（独自算出の注目度）: 2.1331883629523634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) excel at rapid generation of text and multimodal content, yet they falter on transaction-style planning that demands ACID-like guarantees and real-time disruption recovery. We present Adaptive LLM Agent System (ALAS), a framework that tackles four fundamental LLM deficits: (i) absence of self-verification, (ii) context erosion, (iii) next-token myopia, and (iv) lack of persistent state. ALAS decomposes each plan into role-specialized agents, equips them with automatic state tracking, and coordinates them through a lightweight protocol. When disruptions arise, agents apply history-aware local compensation, avoiding costly global replanning and containing cascade effects. On real-world, large-scale job-shop scheduling benchmarks, ALAS sets new best results for static sequential planning and excels in dynamic reactive scenarios with unexpected disruptions. These gains show that principled modularization plus targeted compensation can unlock scalable and resilient planning with LLMs.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、テキストとマルチモーダルコンテンツの急速な生成において優れていますが、ACIDのような保証とリアルタイムのリカバリを要求するトランザクションスタイルの計画に重点を置いています。 ALAS(Adaptive LLM Agent System)は,4つの基本的なLCM障害に対処するフレームワークである。 (i)自己検証の欠如 (二)文脈浸食 (三)次トーケン・ミオピア、及び (4)持続状態の欠如。 ALASは各計画をロール特殊化エージェントに分解し、それらを自動状態トラッキングに装備し、軽量なプロトコルを介して調整する。 ディスラプションが発生すると、エージェントは歴史的に認識された局所的な補償を適用し、コストのかかる世界的な再計画を避け、カスケード効果を含む。 実世界の大規模ジョブショップスケジューリングベンチマークにおいて、ALASは静的シーケンシャルな計画のための新しい最良の結果を設定し、予期せぬ破壊を伴う動的リアクティブシナリオを最適化する。 これらの利益は、原則化されたモジュール化とターゲットの補償によって、LLMによるスケーラブルでレジリエントな計画が解き放たれることを示している。

関連論文リスト

• From Words to Actions: Unveiling the Theoretical Underpinnings of LLM-Driven Autonomous Systems [59.40480894948944]
  大規模言語モデル (LLM) は、物理世界の意思決定問題を解くことができる。 このモデルの下で、LLM Plannerは、プロンプトを介して言語ベースのサブゴールを反復的に生成することにより、部分的に観測可能なマルコフ決定プロセス(POMDP)をナビゲートする。 我々は,事前学習したLLMプランナーが,文脈内学習を通じてベイズ的集計模倣学習(BAIL)を効果的に行うことを証明した。
  論文  参考訳（メタデータ） (2024-05-30T09:42:54Z)
• Towards Efficient LLM Grounding for Embodied Multi-Agent Collaboration [70.09561665520043]
  本稿では,多エージェント協調のための新しいフレームワークを提案する。これは,効率的な自己調整のための強化アドバンテージフィードバック(Reinforced Advantage feedback, ReAd)を導入する。 強化学習における重み付き回帰を多エージェントシステムに拡張して理論的解析を行う。 Over-AIと難解なRoCoBenchの実験は、ReAdが成功率のベースラインを超え、エージェントの相互作用ステップを著しく減少させることを示している。
  論文  参考訳（メタデータ） (2024-05-23T08:33:19Z)
• Formal-LLM: Integrating Formal Language and Natural Language for Controllable LLM-based Agents [39.53593677934238]
  大規模言語モデル(LLM)により、AIエージェントは複雑なタスクを解決するためのマルチステッププランを自動的に生成し実行することができる。 しかし、現在のLLMベースのエージェントは、しばしば無効または実行不可能な計画を生成する。 本稿では、自然言語の表現性と形式言語の精度を統合することで、LLMをベースとしたエージェントのための新しい「フォーマルLLM」フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-01T17:30:50Z)
• Dynamic Planning with a LLM [15.430182858130884]
  大言語モデル(LLM)はゼロショット設定で多くのNLPタスクを解くことができるが、具体化エージェントを含むアプリケーションは依然として問題である。 LLM動的プランナー(LLM-DP)は,LLMが従来のプランナーと手動で作業し,具体的課題を解決する,神経象徴的な枠組みである。
  論文  参考訳（メタデータ） (2023-08-11T21:17:13Z)
• AdaPlanner: Adaptive Planning from Feedback with Language Models [56.367020818139665]
  大規模言語モデル(LLM)は、最近、シーケンシャルな意思決定タスクの自律的エージェントとして機能する可能性を実証している。 本研究では,LLMエージェントが環境フィードバックに応じて自己生成計画を適応的に改善することのできるクローズドループアプローチであるAdaPlannerを提案する。 幻覚を緩和するために,様々なタスク,環境,エージェント機能にまたがる計画生成を容易にするコードスタイルのLCMプロンプト構造を開発した。
  論文  参考訳（メタデータ） (2023-05-26T05:52:27Z)
• Plan, Eliminate, and Track -- Language Models are Good Teachers for Embodied Agents [99.17668730578586]
  事前訓練された大言語モデル(LLM)は、世界に関する手続き的な知識をキャプチャする。 Plan, Eliminate, and Track (PET)フレームワークはタスク記述をハイレベルなサブタスクのリストに変換する。 PETフレームワークは、人間の目標仕様への一般化のために、SOTAよりも15%改善されている。
  論文  参考訳（メタデータ） (2023-05-03T20:11:22Z)

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。