論文の概要: StatePlane: A Cognitive State Plane for Long-Horizon AI Systems Under Bounded Context
- arxiv url: http://arxiv.org/abs/2603.13644v1
- Date: Fri, 13 Mar 2026 22:56:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-17 16:19:35.311425
- Title: StatePlane: A Cognitive State Plane for Long-Horizon AI Systems Under Bounded Context
- Title（参考訳）: StatePlane: コンテキスト境界下での長距離AIシステムの認知状態プレーン
- Authors: Sasank Annapureddy, John Mulcahy, Anjaneya Prasad Thamatani,
- Abstract要約: StatePlaneは、コンテキスト境界の下で動作しているAIシステムにおいて、エピソード、セマンティック、手続き状態の生成、進化、検索、崩壊を管理する。
本稿では,6つのドメイン固有のベンチマークによる,形式的状態モデル,KV対応アルゴリズム,書き込みパスのアンチポゾン,企業統合パス,評価フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Large language models (LLMs) and small language models (SLMs) operate under strict context window and key-value (KV) cache constraints, fundamentally limiting their ability to reason coherently over long interaction horizons. Existing approaches -- extended context windows, retrieval-augmented generation, summarization, or static documentation -- treat memory as static storage and fail to preserve decision-relevant state under long-running, multi-session tasks. We introduce StatePlane, a model-agnostic cognitive state plane that governs the formation, evolution, retrieval, and decay of episodic, semantic, and procedural state for AI systems operating under bounded context. Grounded in cognitive psychology and systems design, StatePlane formalizes episodic segmentation, selective encoding via information-theoretic constraints, goal-conditioned retrieval with intent routing, reconstructive state synthesis, and adaptive forgetting. We present a formal state model, KV-aware algorithms, security and governance mechanisms including write-path anti-poisoning, enterprise integration pathways, and an evaluation framework with six domain-specific benchmarks. StatePlane demonstrates that long-horizon intelligence can be achieved without expanding context windows or retraining models.
- Abstract（参考訳）: 大言語モデル(LLM)と小言語モデル(SLM)は厳密なコンテキストウインドウとキー値(KV)キャッシュ制約の下で動作し、長い相互作用の地平線上でコヒーレントに推論する能力を根本的に制限している。
既存のアプローチ -- 拡張コンテキストウィンドウ、検索拡張生成、要約、静的ドキュメント -- は、メモリを静的ストレージとして扱い、長時間実行されたマルチセッションタスク下で決定関連状態を保存できない。
我々は、コンテキスト境界の下で動作しているAIシステムにおいて、エピソード、セマンティック、手続き状態の生成、進化、検索、崩壊を管理するモデルに依存しない認知状態プレーンであるStatePlaneを紹介する。
認知心理学とシステムデザインに基づいて、StatePlaneはエピソードのセグメンテーション、情報理論の制約による選択的符号化、意図的ルーティングによる目標条件付き検索、再構築された状態合成、適応的忘れ込みを定式化する。
本稿では,6つのドメイン固有のベンチマークによる,形式的状態モデル,KV対応アルゴリズム,書き込みパスのアンチポゾン,企業統合パス,評価フレームワークを提案する。
StatePlaneは、コンテキストウィンドウを拡張したり、モデルを再トレーニングすることなく、長距離インテリジェンスを実現することができることを実証している。
関連論文リスト
- The Auton Agentic AI Framework [5.410458076724158]
人工知能の分野では、ジェネレーティブAIからエージェントAIへの移行が進行中である。
大規模言語モデル(LLM)は構造化されていない出力を生成するが、それらが制御しなければならないバックエンドインフラストラクチャは決定論的でスキーマに適合する入力を必要とする。
本稿では,自律エージェントの作成,作成,管理を行うための原則アーキテクチャであるAuton Agentic AI Frameworkについて述べる。
論文 参考訳（メタデータ） (2026-02-27T06:42:08Z) - Architecting AgentOS: From Token-Level Context to Emergent System-Level Intelligence [13.062618208633483]
本稿では,大規模言語モデルを再定義する包括的概念フレームワークであるAgentOSを提案する。
メモリページング割り込み処理やプロセススケジューリングといった古典的なOS抽象化をLLMネイティブな構造にマッピングすることにより、このレビューは、レジリエンスでスケーラブルで自己進化的な認知環境を設計するための厳密なロードマップを提供する。
論文 参考訳（メタデータ） (2026-02-24T14:12:21Z) - Continuum Memory Architectures for Long-Horizon LLM Agents [0.0]
Retrieval-augmented Generation (RAG) は、文脈知識を備えた大規模言語モデル(LLM)エージェントのデフォルト戦略となっている。
textitContinuum Memory Architecture (CMA)は、インタラクション間の内部状態をメンテナンスし、更新するシステムのクラスです。
我々は、RAGの構造的欠如が記憶の蓄積、突然変異、曖昧さを露呈するタスクに対して、一貫した振る舞い上の利点を示す。
論文 参考訳（メタデータ） (2026-01-14T22:40:35Z) - Executable Ontologies in Game Development: From Algorithmic Control to Semantic World Modeling [51.56484100374058]
我々は,実行可能オントロジー(EO)が,アルゴリズム行動プログラミングからセマンティックワールドモデリングへ移行したことを論じる。
本稿では,EOが明示的なプリエンプションロジックではなく,データフロー条件によるタスク割り込みを優先的に行う方法を示す。
論文 参考訳（メタデータ） (2026-01-12T19:57:35Z) - Event Extraction in Large Language Model [99.94321497574805]
私たちは、LLM中心のソリューションに認知的な足場を提供するシステムコンポーネントとして、EEは見なされるべきである、と論じます。
この調査では、EEのテキストとマルチモーダル設定、タスクと分類の整理、ルールベースとニューラルモデルから命令駆動および生成フレームワークへのメソッド進化のトレースについて取り上げている。
論文 参考訳（メタデータ） (2025-12-22T16:22:14Z) - PISA: A Pragmatic Psych-Inspired Unified Memory System for Enhanced AI Agency [50.712873697511206]
既存の作業は、多種多様なタスクへの適応性に欠けることが多く、AIエージェントメモリの構成的およびタスク指向の役割を見落としている。
PISAは,メモリを構築的かつ適応的なプロセスとして扱う,実践的でサイコにインスパイアされた統合メモリシステムである。
既存のLOCOMOベンチマークと新たに提案したデータ解析タスクのAggQAベンチマークに基づいて,PISAが適応性と長期的知識保持を大幅に向上させることで,新たな最先端技術を設定することを確認した。
論文 参考訳（メタデータ） (2025-10-12T10:34:35Z) - See No Evil: Adversarial Attacks Against Linguistic-Visual Association in Referring Multi-Object Tracking Systems [21.34084466103555]
本稿では,RMOTモデルの参照マッチング機構の統一化を阻止する新しい逆向きフレームワークVEILを提案する。
デジタル・物理的摂動は追跡ロジックの信頼性を損なう可能性を示し、トラックIDスイッチや用語を誘導する。
論文 参考訳（メタデータ） (2025-09-02T07:17:32Z) - Deliberate Planning in Language Models with Symbolic Representation [5.869782631289138]
構造化計画機能を備えた大規模言語モデルを備えた新しいフレームワークであるSymPlannerを紹介する。
SymPlannerは、純粋に自然言語の推論に頼るのではなく、計画プロセスを象徴的な状態空間に置きます。
反復補正(IC)は、シンボル環境からのフィードバックを利用して、これまで提案されていた行動を洗練する。
Contrastive Ranking (CR) は、それらを共同で評価することで、候補プランのきめ細かい比較を可能にする。
論文 参考訳（メタデータ） (2025-05-02T15:18:03Z) - Planning as In-Painting: A Diffusion-Based Embodied Task Planning
Framework for Environments under Uncertainty [56.30846158280031]
具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。
In-paintingとしての計画」というタスク非依存の手法を提案する。
提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-12-02T10:07:17Z) - PlaSma: Making Small Language Models Better Procedural Knowledge Models for (Counterfactual) Planning [77.03847056008598]
PlaSmaは、手続き的な知識と(制約のある)言語計画能力を持つ小さな言語モデルを実現するための、新しい2段階のアプローチである。
我々は,小言語モデルにおけるコモンセンス知識を高めるための記号的手続き的知識蒸留法と,より構造化された正確な推論を容易にする推論時アルゴリズムを開発する。
論文 参考訳（メタデータ） (2023-05-31T00:55:40Z) - STRIPS Action Discovery [67.73368413278631]
近年のアプローチでは、すべての中間状態が欠如している場合でも、アクションモデルを合成する古典的な計画が成功している。
アクションシグネチャが不明な場合に,従来のプランナーを用いてSTRIPSアクションモデルを教師なしで合成するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-01-30T17:08:39Z)
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。