論文の概要: Uncertainty as a Planning Signal: Multi-Turn Decision Making for Goal-Oriented Conversation
- arxiv url: http://arxiv.org/abs/2604.03924v1
- Date: Sun, 05 Apr 2026 01:32:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:18.835953
- Title: Uncertainty as a Planning Signal: Multi-Turn Decision Making for Goal-Oriented Conversation
- Title（参考訳）: 計画信号としての不確実性:ゴール指向会話のためのマルチターン決定
- Abstract要約: 本稿では,言語モデルと構造化計画を統合するCUP(Conversation Uncertainty-Aware Planning framework)を提案する。
CUPは、インタラクションのターンを減らしながら、成功率を継続的に改善する。
- 参考スコア（独自算出の注目度）: 12.50589322521332
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Goal-oriented conversational systems require making sequential decisions under uncertainty about the user's intent, where the algorithm must balance information acquisition and target commitment over multiple turns. Existing approaches address this challenge from different perspectives: structured methods enable multi-step planning but rely on predefined schemas, while LLM-based approaches support flexible interactions but lack long-horizon decision making, resulting in poor coordination between information acquisition and target commitment. To address this limitation, we formulate goal-oriented conversation as an uncertainty-aware sequential decision problem, where uncertainty serves as a guiding signal for multi-turn decision making. We propose a Conversation Uncertainty-aware Planning framework (CUP) that integrates language models with structured planning: a language model proposes feasible actions, and a planner evaluates their long-term impact on uncertainty reduction. Experiments on multiple conversational benchmarks show that CUP consistently improves success rates while requiring fewer interaction turns. Further analysis demonstrates that uncertainty-aware planning contributes to more efficient information acquisition and earlier confident commitment.
- Abstract（参考訳）: 目標指向の対話システムでは,ユーザの意図が不確実である場合,アルゴリズムは情報取得と複数回にわたるコミットメントのバランスを取る必要がある。
構造化されたメソッドはマルチステップの計画を可能にするが、事前定義されたスキーマに依存している。一方、LCMベースのアプローチは柔軟な相互作用をサポートし、長期的な意思決定を欠いているため、情報取得と目標コミットメントの調整が不十分である。
この制限に対処するために、目的指向の会話を不確実性を考慮したシーケンシャルな決定問題として定式化し、不確実性はマルチターン意思決定の指針信号として機能する。
本稿では,言語モデルと構造化計画を統合した会話不確実性対応計画フレームワーク(CUP)を提案する。
複数の対話型ベンチマークの実験では、CUPは連続的に成功率を向上し、対話のターンを減らしている。
さらなる分析は、不確実性を認識した計画がより効率的な情報取得と早期の確約に寄与していることを示している。
関連論文リスト
- CLAIM: Leading Open-domain Active Clarification of Large Language Models with Uncertainty Measurement [50.91045324738942]
CLAIMは、オープンドメイン環境でのアクティブな明確化学習のための不確実性駆動フレームワークである。
本研究では,不確実性推定とセマンティッククラスタリングと推論に基づく判断を統合したエントロピー駆動型合成データ生成パイプラインを提案する。
実験の結果,手動でラベル付けしたデータに頼ることなく,CLAIMが安定かつ一般化可能な明確化戦略を学習できることが確認された。
論文 参考訳（メタデータ） (2026-08-12T04:27:45Z) - From Assumptions to Actions: Turning LLM Reasoning into Uncertainty-Aware Planning for Embodied Agents [5.817643726988822]
マルチエージェントで活動し、部分的に観察可能で、分散化された環境では、広範囲にわたる不確実性にもかかわらず計画し行動しなければならない。
我々は,大規模言語モデルで潜在する断片化仮定を構造化決定木に変換するPlanner-Composer-EvaluatorフレームワークであるPCEを紹介する。
また, PCEは, トークン使用率とタスク効率において, コミュニケーション中心のベースラインを一貫して上回り, トークン使用率と同等であることを示す。
論文 参考訳（メタデータ） (2026-02-04T08:43:39Z) - Why Reasoning Fails to Plan: A Planning-Centric Analysis of Long-Horizon Decision Making in LLM Agents [42.09897801169138]
大規模言語モデル(LLM)に基づくエージェントは、短い地平線上でのステップバイステップ推論能力を示すが、長い計画地平線上でのコヒーレントな振舞いを維持できないことが多い。
我々は、ステップワイズ推論は、短い地平線に適しているが、長期計画では失敗するステップワイズ欲求政策の形式を誘導すると主張する。
我々は、FLAREを将来の計画の最小限のインスタンス化として導入し、明示的なルックアヘッド、価値伝播、限定的なコミットメントを1つのモデルで実施する。
論文 参考訳（メタデータ） (2026-01-29T20:52:32Z) - PPA-Plan: Proactive Pitfall Avoidance for Reliable Planning in Long-Context LLM Reasoning [8.87747076871578]
大規模言語モデル(LLM)は、関連する情報がわずかに分散されている長いコンテキストに対する推論に苦慮する。
PPA-Plan(PPA-Plan)は、長期コンテキスト推論のためのプロアクティブな計画戦略であり、計画生成前の障害防止に重点を置いている。
長期コンテキストQAベンチマークの実験では、PPA-Planが生成したプランの実行は、既存のプラン・アンド・エグゼクティブメソッドと直接プロンプトを一貫して上回っている。
論文 参考訳（メタデータ） (2026-01-17T04:48:36Z) - Platform-Aware Mission Planning [50.56223680851687]
本稿では,PAMP(Platform-Aware Mission Planning)の問題を紹介する。
第1のベースラインアプローチはミッションレベルとプラットフォームレベル、第2のベースラインアプローチは抽象リファインメントループに基づいている。
提案手法の健全性と完全性を実証し,実験により検証する。
論文 参考訳（メタデータ） (2025-01-16T16:20:37Z) - Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。
本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。
この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
論文 参考訳（メタデータ） (2024-11-03T17:32:00Z) - Making Large Language Models Better Planners with Reasoning-Decision Alignment [70.5381163219608]
マルチモーダリティ強化LLMに基づくエンドツーエンド意思決定モデルを提案する。
ペア化されたCoTと計画結果との推論・決定アライメントの制約を提案する。
提案する大規模言語プランナをRDA-Driverとして推論・決定アライメントする。
論文 参考訳（メタデータ） (2024-08-25T16:43:47Z) - Introspective Planning: Aligning Robots' Uncertainty with Inherent Task Ambiguity [0.659529078336196]
大規模言語モデル(LLM)は高度な推論能力を示し、ロボットが自然言語の指示を理解し、高レベルの行動を戦略的に計画することを可能にする。
LLMの幻覚は、ロボットがユーザー目標と不一致の計画を実行したり、クリティカルなシナリオでは安全でないりする可能性がある。
本稿では,LLMの不確かさとタスク固有のあいまいさを一致させる系統的手法であるイントロスペクティブプランニングを提案する。
論文 参考訳（メタデータ） (2024-02-09T16:40:59Z) - 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) - Reinforcement Learning with a Terminator [80.34572413850186]
我々は, TerMDP のパラメータを学習し, 推定問題の構造を活用し, 状態ワイドな信頼境界を提供する。
我々はこれらを用いて証明可能な効率のよいアルゴリズムを構築し、終端を考慮し、その後悔を抑える。
論文 参考訳（メタデータ） (2022-05-30T18:40:28Z) - Multiple Plans are Better than One: Diverse Stochastic Planning [26.887796946596243]
計画上の問題では、望ましい仕様を完全にモデル化することはしばしば困難です。
特に、人間とロボットの相互作用において、そのような困難は、プライベートまたはモデルに複雑である人間の好みによって生じる可能性がある。
我々は、最適に近い代表行動の集合を生成することを目的とした、多種多様な計画と呼ばれる問題を定式化する。
論文 参考訳（メタデータ） (2020-12-31T07:29:11Z)
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。