論文の概要: Toward a Science of Intent: Closure Gaps and Delegation Envelopes for Open-World AI Agents
- arxiv url: http://arxiv.org/abs/2604.25000v2
- Date: Sun, 03 May 2026 04:25:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:49.424733
- Title: Toward a Science of Intent: Closure Gaps and Delegation Envelopes for Open-World AI Agents
- Title（参考訳）: インテントの科学に向けて: オープンワールドAIエージェントのためのクロージャギャップとデリゲーションエンベロープ
- Authors: Maximiliano Armesto, Christophe Kolb,
- Abstract要約: 最近の研究は、検証可能なタスクにおいて、学習された構造とテストタイムサーチによる解決までの時間を短縮するものとして、インテリジェンスの枠組みを定めている。
部分的に指定された人間の目的を、実行を束縛する検査可能なアーティファクトに変換する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent work has framed intelligence in verifiable tasks as reducing time-to-solution through learned structure and test-time search, while systems work has explored learned runtimes in which computation, memory and I/O migrate into model state. These perspectives do not explain why capable models remain difficult to deploy in open institutions. We propose intent compilation: the transformation of partially specified human purpose into inspectable artifacts that bind execution. The relevant deployment distinction is closed-world solver versus open-world agent. In closed worlds, a checker is largely given; in open worlds, verification is distributed across semantic, evidentiary, procedural and institutional dimensions. Weformalize this residual openness as a closure-gap vector, define delegation envelopes as pre-authorized regions of action space, distinguish misclosure from undersearch, and outline benchmark metrics for testing when closure interventions outperform additional inference-time search.
- Abstract（参考訳）: 最近の研究は、学習された構造とテストタイムサーチによる解決までの時間を短縮することや、計算、メモリ、I/Oがモデル状態に移行する学習ランタイムについて研究している。
これらの視点は、なぜ有能なモデルがオープンな機関に展開するのが難しいのかを説明できない。
部分的に指定された人間の目的を、実行を束縛する検査可能なアーティファクトに変換する。
関連するデプロイメントの区別は、クローズドワールドソルバ対オープンワールドエージェントである。
クローズドな世界では、チェッカーが主に与えられ、オープンな世界では、検証は意味、明確、手続き的、制度的な次元に分散する。
我々は、この残余開度をクロージャギャップベクトルとして定式化し、デリゲートエンベロープをアクション空間の事前認可領域として定義し、アンダーサーチと誤認を区別し、クロージャ介入が追加の推論時間探索より優れている場合のテストのためのベンチマーク指標を概説する。
関連論文リスト
- AI-Supervisor: Autonomous AI Research Supervision via a Persistent Research World Model [1.14219428942199]
既存の自動研究システムは、ステートレスでリニアなパイプラインとして動作する。
マルチエージェントオーケストレーションフレームワークである textbfAI-Supervisor を提案する。
エージェントは、人間の関心によって駆動されるエンドツーエンドのAI研究の監督を提供する。
論文 参考訳（メタデータ） (2026-03-25T15:16:51Z) - Seeing as Experts Do: A Knowledge-Augmented Agent for Open-Set Fine-Grained Visual Understanding [30.498502211349386]
KFRA(Knowledge-Augmented Fine-Grained Reasoning Agent)について紹介する。
KFRAは、専門家分析をエミュレートする3段階のクローズド推論ループを通している。
まずオープン語彙の検出とWebスケールの検索を行い、カテゴリ仮説を生成する。
その後、テキスト知識を視覚的証拠と整合させることにより、識別領域のローカライゼーションを行う。
論文 参考訳（メタデータ） (2026-03-04T06:18:45Z) - PATHWAYS: Evaluating Investigation and Context Discovery in AI Web Agents [0.0]
PATHWAYSは250のマルチステップ決定タスクのベンチマークである。
Webベースのエージェントが、隠れたコンテキスト情報を発見し、正しく使用できるかをテストする。
論文 参考訳（メタデータ） (2026-02-05T06:24:23Z) - Generative Human-Object Interaction Detection via Differentiable Cognitive Steering of Multi-modal LLMs [85.69785384599827]
人間と物体の相互作用(Human-object Interaction、HOI)の検出は、人と物体のペアとそれらの相互作用を局在させることを目的としている。
既存のメソッドはクローズドワールドの仮定の下で動作し、タスクを未定義の小さな動詞集合上の分類問題として扱う。
本稿では,閉集合分類タスクから開語彙生成問題へのHOI検出を再構成する新しい生成推論・ステアブル知覚フレームワークGRASP-HOを提案する。
論文 参考訳（メタデータ） (2025-12-19T14:41:50Z) - Challenges in Credit Assignment for Multi-Agent Reinforcement Learning in Open Agent Systems [0.19336815376402716]
本報告は、オープンネスとクレジット割り当て問題(CAP)の相互作用に焦点を当てたものである。
CAPは、システム全体のパフォーマンスに対する個々のエージェントの貢献を決定する。
従来のクレジット代入法では、静的エージェントの集団、固定および事前定義されたタスク、固定型を仮定することが多く、オープンシステムには不適当である。
論文 参考訳（メタデータ） (2025-10-31T17:30:32Z) - OpenworldAUC: Towards Unified Evaluation and Optimization for Open-world Prompt Tuning [86.20909814421748]
現実世界のシナリオでは、事前のドメイン知識なしに入力を処理するモデルが必要です。
ペアのインスタンス比較による検出と分類を評価する指標であるOpenworldAUCを提案する。
オープンワールドシナリオにおける15のベンチマークの実験は、OpenworldAUCがOpenworldAUCや他のメトリクスでSOTAのパフォーマンスを達成することを示している。
論文 参考訳（メタデータ） (2025-05-08T12:31:40Z) - Grounding-MD: Grounded Video-language Pre-training for Open-World Moment Detection [67.70328796057466]
Grounding-MDは、オープンワールドのモーメント検出に適した、革新的なビデオ言語事前学習フレームワークである。
我々のフレームワークは、構造化されたプロンプト機構を通じて、任意の数のオープンな自然言語クエリを組み込む。
Grounding-MDは特異なセマンティック表現学習能力を示し、多種多様な複雑なクエリ条件を効果的に処理する。
論文 参考訳（メタデータ） (2025-04-20T09:54:25Z) - LOSS-SLAM: Lightweight Open-Set Semantic Simultaneous Localization and Mapping [9.289001828243512]
オブジェクトを識別,ローカライズ,符号化するシステムは,オープンセットのセマンティックな同時ローカライゼーションとマッピングを行う確率的グラフィカルモデルと密結合していることを示す。
提案した軽量オブジェクト符号化は,既存のオープンセット手法よりも高精度なオブジェクトベースSLAMを実現することができることを示す。
論文 参考訳（メタデータ） (2024-04-05T19:42:55Z) - OpenGAN: Open-Set Recognition via Open Data Generation [76.00714592984552]
実世界の機械学習システムは、トレーニングデータとは異なる新しいテストデータを分析する必要がある。
オープンセット識別のための概念的にエレガントな2つのアイデアは、1) オープンvs閉鎖二元判別器を識別的に学習し、2) GAN を用いてクローズドセットデータ分布を教師なし学習する。
OpenGANは、それぞれのアプローチの限界をいくつかの技術的な洞察と組み合わせて解決します。
論文 参考訳（メタデータ） (2021-04-07T06:19:24Z) - Closed-Form Factorization of Latent Semantics in GANs [65.42778970898534]
画像合成のために訓練されたGAN(Generative Adversarial Networks)の潜在空間に、解釈可能な次元の豊富なセットが出現することが示されている。
本研究では,GANが学習した内部表現について検討し,その基礎となる変動要因を教師なしで明らかにする。
本稿では,事前学習した重みを直接分解することで,潜在意味発見のためのクローズドフォーム因数分解アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-13T18:05:36Z)
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。