論文の概要: Where to Search: Measure the Prior-Structured Search Space of LLM Agents

• arxiv url: http://arxiv.org/abs/2510.14846v1
• Date: Thu, 16 Oct 2025 16:18:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.945821
• Title: Where to Search: Measure the Prior-Structured Search Space of LLM Agents
• Title（参考訳）: 検索の場所: LLMエージェントの事前構造化検索空間の測定
• Authors: Zhuo-Yang Song,
• Abstract要約: 本稿では、LLM支援反復探索をドメイン先導で記述し、評価するコンパクトな形式理論を提案する。 最も単純なテスト可能な推論を提供し、多数決のインスタンス化によってそれらを検証します。
• 参考スコア（独自算出の注目度）: 0.8249180979158818
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The generate-filter-refine (iterative paradigm) based on large language models (LLMs) has achieved progress in reasoning, programming, and program discovery in AI+Science. However, the effectiveness of search depends on where to search, namely, how to encode the domain prior into an operationally structured hypothesis space. To this end, this paper proposes a compact formal theory that describes and measures LLM-assisted iterative search guided by domain priors. We represent an agent as a fuzzy relation operator on inputs and outputs to capture feasible transitions; the agent is thereby constrained by a fixed safety envelope. To describe multi-step reasoning/search, we weight all reachable paths by a single continuation parameter and sum them to obtain a coverage generating function; this induces a measure of reachability difficulty; and it provides a geometric interpretation of search on the graph induced by the safety envelope. We further provide the simplest testable inferences and validate them via a majority-vote instantiation. This theory offers a workable language and operational tools to measure agents and their search spaces, proposing a systematic formal description of iterative search constructed by LLMs.
• Abstract（参考訳）: 大規模言語モデル(LLM)に基づくジェネレーション・フィルタ・リファイン(イテレーティブ・パラダイム)は、AI+Scienceにおける推論、プログラミング、プログラム発見の進歩を達成している。 しかし、探索の有効性は、どこで検索するか、すなわち、操作的に構造化された仮説空間にドメインをエンコードする方法に依存する。 そこで本研究では,LLM支援反復探索をドメイン先導で記述し,評価する,コンパクトな形式理論を提案する。 エージェントは入力と出力に対してファジィ関係演算子として表現され、そのエージェントは固定された安全エンベロープによって拘束される。 多段階の推論/探索を記述するために、各到達可能な経路を1つの継続パラメータで重み付け、それらを合計してカバレッジ生成関数を得る。 さらに、最も単純なテスト可能な推論を提供し、多数投票のインスタンス化によってそれらを検証します。 この理論は、エージェントとその探索空間を測定するための実行可能な言語と操作ツールを提供し、LLMによって構築された反復探索の体系的な記述を提案する。

関連論文リスト

• Unifying Tree Search Algorithm and Reward Design for LLM Reasoning: A Survey [92.71325249013535]
  線形木探索はLarge Language Model (LLM) 研究の基盤となっている。 本稿では,検索アルゴリズムを3つのコアコンポーネントに分解する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-11T03:29:18Z)
• Large Language Models in Operations Research: Methods, Applications, and Challenges [9.208082097215314]
  オペレーションリサーチ(OR)は、輸送、サプライチェーン管理、生産スケジュールなど、複雑なシステム決定を支援する。 専門家主導のモデリングと手動パラメータチューニングに依存する従来のアプローチは、しばしば大規模、動的、マルチ制約の問題に悩まされる。 本稿では,大規模言語モデル(LLM)をORに適用し,既存の手法を3つの経路に分類する。
  論文  参考訳（メタデータ） (2025-09-18T01:52:19Z)
• Iterative Self-Incentivization Empowers Large Language Models as Agentic Searchers [74.17516978246152]
  大規模言語モデル(LLM)は、従来の手法を進化させるために情報検索に広く統合されている。 エージェント検索フレームワークであるEXSEARCHを提案する。 4つの知識集約ベンチマークの実験では、EXSEARCHはベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-05-26T15:27:55Z)
• LLM-assisted Vector Similarity Search [0.0]
  本稿では,ベクトル類似性探索とLarge Language Models(LLMs)を組み合わせたハイブリッド手法を提案する。 構造化データセットの実験では、ベクトル類似性検索は単純なクエリに対してのみうまく機能するが、LLM支援アプローチは制約、否定、概念的な要求を含む複雑なクエリを処理するのに優れている。
  論文  参考訳（メタデータ） (2024-12-25T08:17:37Z)
• Enhancing LLM Reasoning with Reward-guided Tree Search [95.06503095273395]
  o1のような推論アプローチは困難で、研究者はこのオープンな研究領域を前進させようとさまざまな試みを行ってきた。 本稿では,報酬誘導木探索アルゴリズムを用いて,LLMの推論能力を高めるための予備的な検討を行う。
  論文  参考訳（メタデータ） (2024-11-18T16:15:17Z)
• FLARE: Faithful Logic-Aided Reasoning and Exploration [47.46564769245296]
  タスク分解を用いて問題空間をトラバースする新しい手法を提案する。 我々はLarge Language Modelsを使ってソリューションを計画し、クエリを事実に軟式化し、論理プログラミングコードを使って述語する。 提案手法は,生成したコードに対する推論プロセスの忠実度を計算し,外部の解法に頼らずにマルチホップ探索のステップを解析する。
  論文  参考訳（メタデータ） (2024-10-14T19:39:11Z)
• Uncertainty-Guided Likelihood Tree Search [37.25859935454988]
  ツリー探索は、木構造空間を探索するものとして、多くのシーケンシャルな意思決定問題を列挙できるため、計画のための基本的なツールである。 本研究では、報酬関数が経路のログ様関数であるような設定のための不確実性誘導木探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-04T14:08:50Z)
• Factorization of Multi-Agent Sampling-Based Motion Planning [72.42734061131569]
  現代のロボティクスは、共有環境内で複数のエンボディエージェントを動作させることが多い。 標準的なサンプリングベースのアルゴリズムは、ロボットの関節空間における解の探索に使用できる。 我々は、因子化の概念をサンプリングベースアルゴリズムに統合し、既存の手法への最小限の変更しか必要としない。 本稿では, PRM* のサンプル複雑性の観点から解析的ゲインを導出し, RRG の実証結果を示す。
  論文  参考訳（メタデータ） (2023-04-01T15:50:18Z)

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。