論文の概要: PDDL-Mind: Large Language Models are Capable on Belief Reasoning with Reliable State Tracking

• arxiv url: http://arxiv.org/abs/2604.17819v1
• Date: Mon, 20 Apr 2026 05:17:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.705577
• Title: PDDL-Mind: Large Language Models are Capable on Belief Reasoning with Reliable State Tracking
• Title（参考訳）: PDDL-Mind: 信頼性の高い状態トラッキングによる信頼性推論における大規模言語モデルの実現
• Authors: Wang Bill Zhu, Qiutong Tony Yi, Robin Jia, Jesse Thomason,
• Abstract要約: 本稿では,環境進化を信念推論から切り離すニューロシンボリックな枠組みであるPDDL-Mindを紹介する。 実験の結果、PDDL-MindはToMベンチマークの最高の最先端手法よりも5%以上精度が向上していることがわかった。
• 参考スコア（独自算出の注目度）: 28.517764014451615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) perform substantially below human level on existing theory-of-mind (ToM) benchmarks, even when augmented with chain-of-thought prompting or probabilistic belief updates. We argue that these failures primarily arise from unreliable implicit state tracking rather than limitations in high-level reasoning. We introduce PDDL-Mind, a neuro-symbolic framework that decouples environment state evolution from belief inference. By translating narrative descriptions into explicit states and actions expressed in Planning Domain Definition Language (PDDL), and by verifying action-induced state transitions against a predefined domain, PDDL-Mind provides LLMs with a logically consistent and explicit representation of world states for ToM tasks. Experiments on MMToM-QA, MuMA and FanToM show that PDDL-Mind achieves over 5% absolute accuracy gain over the best existing state-of-the-art method on ToM benchmark questions.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、チェーン・オブ・マインド(英語版)(ToM)ベンチマークにおいて、チェーン・オブ・マインド(英語版)や確率的信念更新で拡張された場合でも、人間レベルよりも大幅に低い性能を発揮する。 これらの障害は主に、高レベルの推論における制限よりも、信頼性の低い暗黙的な状態追跡から生じます。 本稿では,環境進化を信念推論から切り離すニューロシンボリックな枠組みであるPDDL-Mindを紹介する。 物語の記述を計画ドメイン定義言語(PDDL)で表される明示的な状態と行動に翻訳し、事前定義されたドメインに対してアクションによって引き起こされる状態遷移を検証することで、PDDL-Mindは、ToMタスクのための論理的に一貫性があり明示的な世界状態の表現をLLMに提供する。 MMToM-QA、MuMA、FanToMの実験では、PDDL-MindはToMベンチマークの最高の最先端手法よりも5%以上精度が向上している。

関連論文リスト

• Multimodal Fact-Level Attribution for Verifiable Reasoning [80.60864342985748]
  マルチモーダル大言語モデル(MLLM)は、多段階推論と長文生成を含む実世界のタスクにますます利用されている。 既存のマルチモーダルグラウンドベンチマークと評価手法は、複雑なマルチモーダル推論における属性評価に失敗する。 我々は、直接観察以上の推論を必要とする設定において、ファクトレベルのマルチモーダル属性を評価するためのベンチマークであるMuRGAtを紹介する。
  論文  参考訳（メタデータ） (2026-02-12T03:10:02Z)
• PCRLLM: Proof-Carrying Reasoning with Large Language Models under Stepwise Logical Constraints [2.8310349862016726]
  大規模言語モデルを用いた韻法推論(PCRLLM)を提案する。 PCRLLMは、自然言語の定式化を維持しながら、単一ステップの推論を推論する。 大規模ステップレベルの推論データを生成するためのベンチマークスキーマを提案する。
  論文  参考訳（メタデータ） (2025-11-11T16:10:38Z)
• Implicit Reasoning in Large Language Models: A Comprehensive Survey [67.53966514728383]
  大規模言語モデル(LLM)は、幅広いタスクにまたがる強力な一般化を実証している。 最近の研究は、暗黙の推論に拍車をかけた、明示的な思考の連鎖から注意を向けている。 本調査では,表現形式から計算戦略へ焦点を移し,実行パラダイムを中心とした分類を紹介した。
  論文  参考訳（メタデータ） (2025-09-02T14:16:02Z)
• CTRLS: Chain-of-Thought Reasoning via Latent State-Transition [57.51370433303236]
  チェーン・オブ・シント(CoT)推論は、大規模な言語モデルで複雑な問題を解釈可能な中間ステップに分解することを可能にする。 我々は,遅延状態遷移を伴うマルコフ決定プロセス(MDP)としてCoT推論を定式化するフレームワークであるgroundingSを紹介する。 我々は、ベンチマーク推論タスクにおける推論精度、多様性、探索効率の改善を示す。
  論文  参考訳（メタデータ） (2025-07-10T21:32:18Z)
• DEL-ToM: Inference-Time Scaling for Theory-of-Mind Reasoning via Dynamic Epistemic Logic [34.90622503586192]
  理論・オブ・ミンド(ToM)タスクは大きな言語モデルに固有の課題をもたらす。 推論時間スケーリングによる検証可能なToM推論を改善するフレームワークであるDEL-ToMを提案する。
  論文  参考訳（メタデータ） (2025-05-22T23:52:56Z)
• Large Language Diffusion Models [93.26422905620008]
  大規模言語モデル(LLM)は自己回帰モデル(ARM)に依存していると考えられている。 我々は,事前学習および教師付き微調整パラダイムの下で,ゼロから学習した拡散モデルであるLLaDAを紹介する。 一般的なタスクや数学、コードなどに関する広範なベンチマークを通じて、LLaDAは強力なスケーラビリティを示し、自己構築されたARMベースラインと互換性のあるパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2025-02-14T08:23:51Z)
• Benchmarking Gaslighting Negation Attacks Against Multimodal Large Language Models [45.63440666848143]
  MLLM(Multimodal Large Language Models)は、様々なモダリティの統合において顕著な進歩を見せている。 彼らの成功にもかかわらず、MLLMは会話の敵対的な入力に弱いままである。 我々は,最初に正しい回答を提供するモデルが,ユーザが提供する否定によってそのアウトプットを逆転するように説得される現象であるガスライティング否定攻撃について検討する。
  論文  参考訳（メタデータ） (2025-01-31T10:37:48Z)
• Generating consistent PDDL domains with Large Language Models [4.8551773468225745]
  LLM(Large Language Models)は、自然言語のドメイン記述をPDDLマークアップに変換する能力を持つ。 生成プロセス中に自動整合性チェックを行うことにより,LCM生成のPDDLモデルの品質を大幅に向上させる新しい概念を提案する。 提案した整合性チェック戦略は、生成したモデルの絶対的正当性を保証することはできないが、ループ内の人間から期待される補正努力の量を減らす貴重なフィードバック源として機能することができる。
  論文  参考訳（メタデータ） (2024-04-11T13:48:48Z)
• Tree of Uncertain Thoughts Reasoning for Large Language Models [19.926757833392212]
  大規模言語モデル(LLM)に適した推論フレームワークTouT(Tree of Uncertain Thoughts)を紹介します。 我々のTouTはモンテカルロ・ドロップアウトを効果的に利用し、これらの中間段階におけるLLMの多様な局所応答に関連する不確実性スコアを定量化する。 我々は,ゲーム・オブ・24(Game of 24)とミニ・クロスワード(Mini Crosswords)の2つの要求する計画課題について,厳密な実験を行った。
  論文  参考訳（メタデータ） (2023-09-14T13:14:51Z)

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。