論文の概要: SkillGraph: Graph Foundation Priors for LLM Agent Tool Sequence Recommendation

• arxiv url: http://arxiv.org/abs/2604.19793v1
• Date: Tue, 07 Apr 2026 09:43:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.085943
• Title: SkillGraph: Graph Foundation Priors for LLM Agent Tool Sequence Recommendation
• Title（参考訳）: SkillGraph: LLMエージェントのシーケンスレコメンデーションに先立つグラフ
• Authors: Hao Liu, Dongyu Li,
• Abstract要約: LLMエージェントは、大きなAPIライブラリからツールを選択し、それらを正しく順序付けする必要がある。 既存のメソッドは検索と順序の両方にセマンティックな類似性を使用するが、順序付けはツール間のデータ依存に依存している。 本稿では、候補選択のためのGS-Hybrid検索と、順序付けのための学習されたペアワイズ・リランカの2段階分離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）: 10.810877441189263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM agents must select tools from large API libraries and order them correctly. Existing methods use semantic similarity for both retrieval and ordering, but ordering depends on inter-tool data dependencies that are absent from tool descriptions. As a result, semantic-only methods can produce negative Kendall-$τ$ in structured workflow domains. We introduce SkillGraph, a directed weighted execution-transition graph mined from 49,831 successful LLM agent trajectories, which encodes workflow-precedence regularities as a reusable graph foundation prior. Building on this graph foundation prior, we propose a two-stage decoupled framework: GS-Hybrid retrieval for candidate selection and a learned pairwise reranker for ordering. On ToolBench (9,965 test instances; ~16,000 tools), the method reaches Set-F1 = 0.271 and Kendall-$τ$ = 0.096; on API-Bank, Kendall-$τ$ improves from -0.433 to +0.613. Under identical Stage-1 inputs, the learned reranker also outperforms LLaMA-3.1-8B Stage-2 rerankers.
• Abstract（参考訳）: LLMエージェントは、大きなAPIライブラリからツールを選択し、それらを正しく順序付けする必要がある。 既存のメソッドは検索と順序の両方にセマンティックな類似性を使用するが、順序付けはツール記述にはないツール間のデータ依存に依存している。 結果として、セマンティックのみのメソッドは構造化ワークフロードメインにおいて負のKendall-$τ$を生成することができる。 49,831個の LLM エージェントトラジェクトリからマイニングした重み付き実行遷移グラフである SkillGraph を導入し,ワークフローの順列性を再利用可能なグラフ基盤としてエンコードする。 本稿では,このグラフ基盤に基づいて,候補選択のためのGS-Hybrid検索と順序付けのための学習されたペアワイズ・リランカという2段階の分離フレームワークを提案する。 ToolBench (9,965のテストインスタンス、~16,000のツール)では、Set-F1 = 0.271、Kendall-$τ$ = 0.096、API-BankではKendall-$τ$が-0.433から+0.613に改善される。 同じステージ1入力の下では、学習された再ランカはLLaMA-3.1-8Bのステージ2の再ランカよりも優れていた。

関連論文リスト

• BLITZRANK: Principled Zero-shot Ranking Agents with Tournament Graphs [14.085089126904101]
  我々は、$k$-wiseランキングの原則となる基盤を提供するトーナメントグラフフレームワークを導入する。 それぞれ$k$-item比較すると、$binomk2$の完全なトーナメントがペアワイズで表示される。 我々は、アイテムのランクが確実に決定されたときを形式化し、情報ゲインを最大化する欲求クエリスケジュールを設計する。
  論文  参考訳（メタデータ） (2026-02-05T08:41:00Z)
• ML-Tool-Bench: Tool-Augmented Planning for ML Tasks [23.54937738755734]
  ツール強化機械学習エージェントの評価のためのベンチマークを導入する。 私たちのベンチマークは、インメモリ名のオブジェクト管理を組み込むことで、従来のツール使用の評価を超えています。 我々のアプローチはReActよりも16.2%向上し、すべてのKaggle課題の中央値を取ります。
  論文  参考訳（メタデータ） (2025-11-29T23:59:40Z)
• Runaway is Ashamed, But Helpful: On the Early-Exit Behavior of Large Language Model-based Agents in Embodied Environments [54.67512489842682]
  大規模言語モデル(LLM)は、複雑な実施環境において、強力な計画と意思決定能力を示す。 LLMをベースとしたエージェントの早期退避行動を探究する第一歩を踏み出す。
  論文  参考訳（メタデータ） (2025-05-23T08:23:36Z)
• IGDA: Interactive Graph Discovery through Large Language Model Agents [6.704529554100875]
  大規模な言語モデル(textbfLLMs$)が発見の強力な方法として登場した。 我々は既存の数値駆動型手法を補完するグラフ発見のための強力な手法として$textbfIGDA$を提案する。
  論文  参考訳（メタデータ） (2025-02-24T14:24:27Z)
• An Automatic Graph Construction Framework based on Large Language Models for Recommendation [49.51799417575638]
  本稿では,大規模言語モデルに基づく自動グラフ構築フレームワークであるAutoGraphを紹介する。 LLMはユーザ好みとアイテムの知識を推論し、セマンティックベクターとして符号化する。 潜在因子は、ユーザ/イテムノードをリンクする余分なノードとして組み込まれ、結果として、深いグローバルビューセマンティクスを持つグラフとなる。
  論文  参考訳（メタデータ） (2024-12-24T07:51:29Z)
• Language Agents as Optimizable Graphs [31.220547147952278]
  本稿では,Large Language Models (LLM) ベースのエージェントを計算グラフとして記述する。 我々のフレームワークは、様々なLSMエージェントを効率的に開発し、統合し、自動的に改善するために使用することができる。
  論文  参考訳（メタデータ） (2024-02-26T18:48:27Z)
• $k$NN Prompting: Beyond-Context Learning with Calibration-Free Nearest Neighbor Inference [75.08572535009276]
  In-Context Learning (ICL) は、ターゲットタスクを、インコンテキストのデモンストレーションで条件付のプロンプト完了として定式化する。 $k$NN 最初のクエリ LLM を分散表現のトレーニングデータで実行し、近くの隣人を参照してテストインスタンスを予測する。 数ショットのシナリオでは、最先端のキャリブレーションベースの手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-03-24T06:16:29Z)
• You can't pick your neighbors, or can you? When and how to rely on retrieval in the $k$NN-LM [65.74934004876914]
  Retrieval-enhanced Language Model (LM) は、大規模な外部データストアから取得したテキストにそれらの予測を条件付ける。 そのようなアプローチの1つ、$k$NN-LMは、既存のLMの予測を$k$-nearest近くのモデルの出力と補間する。 本研究では,2つの英語モデルデータセットに対するアプローチの有効性を実証的に測定する。
  論文  参考訳（メタデータ） (2022-10-28T02:57:40Z)

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。