論文の概要: Inspire or Predict? Exploring New Paradigms in Assisting Classical Planners with Large Language Models

• arxiv url: http://arxiv.org/abs/2508.11524v1
• Date: Fri, 15 Aug 2025 15:08:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:24.058587
• Title: Inspire or Predict? Exploring New Paradigms in Assisting Classical Planners with Large Language Models
• Title（参考訳）: インスピレーションか予測か? 大規模言語モデルを用いた古典的プランナー支援のための新しいパラダイムを探る
• Authors: Wenkai Yu, Jianhang Tang, Yang Zhang, Shanjiang Tang, Kebing Jin, Hankz Hankui Zhuo,
• Abstract要約: LLM(Large Language Models)は、検索空間を熟成するための有用なアクションと状態を生成する。 本稿では,問題分解と統合された新しいプランナを提案し,まず大規模計画問題を単純なサブタスクに分解する。 複数の領域にわたるプランナの有効性を実証的に検証し,大規模計画問題の解法における空間分割の探索能力を示す。
• 参考スコア（独自算出の注目度）: 9.925353344469324
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Addressing large-scale planning problems has become one of the central challenges in the planning community, deriving from the state-space explosion caused by growing objects and actions. Recently, researchers have explored the effectiveness of leveraging Large Language Models (LLMs) to generate helpful actions and states to prune the search space. However, prior works have largely overlooked integrating LLMs with domain-specific knowledge to ensure valid plans. In this paper, we propose a novel LLM-assisted planner integrated with problem decomposition, which first decomposes large planning problems into multiple simpler sub-tasks. Then we explore two novel paradigms to utilize LLMs, i.e., LLM4Inspire and LLM4Predict, to assist problem decomposition, where LLM4Inspire provides heuristic guidance according to general knowledge and LLM4Predict employs domain-specific knowledge to infer intermediate conditions. We empirically validate the effectiveness of our planner across multiple domains, demonstrating the ability of search space partition when solving large-scale planning problems. The experimental results show that LLMs effectively locate feasible solutions when pruning the search space, where infusing domain-specific knowledge into LLMs, i.e., LLM4Predict, holds particular promise compared with LLM4Inspire, which offers general knowledge within LLMs.
• Abstract（参考訳）: 大規模計画問題への対処は、オブジェクトや行動の増大による国家空間の爆発に起因する、計画コミュニティにおける中心的な課題の1つとなっている。 近年,Large Language Models (LLMs) を有効活用して,検索空間を熟成するための有用な行動や状態を生成する方法が研究されている。 しかし、以前の研究では、LLMをドメイン固有の知識と統合して、有効な計画を保証することがほとんど見過ごされてきた。 本稿では,まず,大規模計画問題を複数の単純なサブタスクに分解する問題分解と統合した新しいLCM支援プランナを提案する。 次に, LLM4Inspire と LLM4Predict の2つの新しいパラダイムを探求し, LLM4Inspire が一般知識に基づくヒューリスティックガイダンスを提供し, LLM4Predict は中間条件を推測するためにドメイン固有の知識を用いる。 複数の領域にわたるプランナの有効性を実証的に検証し,大規模計画問題の解法における空間分割の探索能力を示す。 実験の結果,LLM は LLM にドメイン固有の知識、すなわち LLM4Predict が LLM 内の一般的な知識を提供する LLM4Inspire と比較して特に有望な解を見つけることができることがわかった。

関連論文リスト

• Prime the search: Using large language models for guiding geometric task and motion planning by warm-starting tree search [21.42328403783795]
  物体の集合を移動障害物の中で指定領域に移動させる問題は、幾何学的タスク・運動計画(G-TAMP)問題とみなすことができる。 G-TAMPの伝統的なアプローチは、ドメインに依存しないアプローチや、探索を導くための計画経験から学ぶことに依存してきた。 本稿では,G-TAMP問題におけるタスク計画の指針として,インターネット規模のデータから得られた常識知識を活かしたLarge Language Models (LLMs) を提案する。
  論文  参考訳（メタデータ） (2025-06-08T09:47:54Z)
• LLM Inference Unveiled: Survey and Roofline Model Insights [62.92811060490876]
  大規模言語モデル(LLM)推論は急速に進化しており、機会と課題のユニークなブレンドを提示している。 本調査は, 研究状況を要約するだけでなく, 屋上モデルに基づく枠組みを導入することによって, 従来の文献レビューから際立っている。 このフレームワークは、ハードウェアデバイスにLSMをデプロイする際のボトルネックを特定し、実用上の問題を明確に理解する。
  論文  参考訳（メタデータ） (2024-02-26T07:33:05Z)
• Small Models, Big Insights: Leveraging Slim Proxy Models To Decide When and What to Retrieve for LLMs [60.40396361115776]
  本稿では,スリムプロキシモデルを用いた大規模言語モデル (LLM) における知識不足を検知する新しい協調手法であるSlimPLMを提案する。 パラメータがはるかに少ないプロキシモデルを採用し、回答を回答としています。 ヒューリスティックな回答は、LLM内の既知の未知の知識と同様に、ユーザの質問に答えるために必要な知識を予測するのに使用される。
  論文  参考訳（メタデータ） (2024-02-19T11:11:08Z)
• Supervised Knowledge Makes Large Language Models Better In-context Learners [94.89301696512776]
  大規模言語モデル(LLM)は、素早い工学を通して、文脈内学習能力の出現を示す。 自然言語理解と質問応答におけるLLMの一般化性と事実性の向上という課題は、まだ未解決のままである。 本研究では, LLM の信頼性を高める枠組みを提案する。1) 分布外データの一般化,2) 差別モデルによる LLM のメリットの解明,3) 生成タスクにおける幻覚の最小化。
  論文  参考訳（メタデータ） (2023-12-26T07:24:46Z)
• Understanding the Capabilities of Large Language Models for Automated Planning [24.37599752610625]
  この研究は、複雑な計画問題の解決におけるLLMの能力に光を当てようとしている。 この文脈で LLM を使用するための最も効果的なアプローチに関する洞察を提供する。
  論文  参考訳（メタデータ） (2023-05-25T15:21:09Z)
• Learning to Plan with Natural Language [111.76828049344839]
  大規模言語モデル(LLM)は、様々な基本自然言語タスクにおいて顕著な性能を示している。 複雑なタスクを完了するためには、ステップごとに特定のソリューションを生成するためにLCMをガイドするタスクの計画が必要です。 本研究では,(1)第1学習課題計画フェーズにおいて,LCMが学習エラーフィードバックから導出するように促した新たなステップバイステップのソリューションと行動指示を用いてタスク計画を反復的に更新する,という2つの段階を含む学習計画手法を提案する。
  論文  参考訳（メタデータ） (2023-04-20T17:09:12Z)

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。