論文の概要: AGEL-Comp: A Neuro-Symbolic Framework for Compositional Generalization in Interactive Agents

• arxiv url: http://arxiv.org/abs/2604.26522v1
• Date: Wed, 29 Apr 2026 10:42:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.362447
• Title: AGEL-Comp: A Neuro-Symbolic Framework for Compositional Generalization in Interactive Agents
• Title（参考訳）: AGEL-Comp:対話型エージェントの合成一般化のためのニューロシンボリックフレームワーク
• Authors: Mahnoor Shahid, Hannes Rothe,
• Abstract要約: 大規模言語モデル(LLM)に基づくエージェントは、構成一般化においてシステム的失敗を示し、対話環境における堅牢性を制限する。 この研究は、エージェントのアクションを根拠にすることでこの問題に対処するために設計された、ニューロシンボリックAIエージェントアーキテクチャであるAGEL-Compを紹介する。
• 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: Large Language Model (LLM)-based agents exhibit systemic failures in compositional generalization, limiting their robustness in interactive environments. This work introduces AGEL-Comp, a neuro-symbolic AI agent architecture designed to address this challenge by grounding actions of the agent. AGEL-Comp integrates three core innovations: (1) a dynamic Causal Program Graph (CPG) as a world model, representing procedural and causal knowledge as a directed hypergraph; (2) an Inductive Logic Programming (ILP) engine that synthesizes new Horn clauses from experiential feedback, grounding symbolic knowledge through interaction; and (3) a hybrid reasoning core where an LLM proposes a set of candidate sub-goals that are verified for logical consistency by a Neural Theorem Prover (NTP). Together, these components operationalize a deduction--abduction learning cycle: enabling the agent to deduce plans and abductively expand its symbolic world model, while a neural adaptation phase keeps its reasoning engine aligned with new knowledge. We propose an evaluation protocol within the \texttt{Retro Quest} simulation environment to probe for compositional generalization scenarios to evaluate our AGEL agent. Our findings clearly indicate the better performance of our AGEL model over pure LLM-based models. Our framework presents a principled path toward agents that build an explicit, interpretable, and compositionally structured understanding of their world.
• Abstract（参考訳）: 大規模言語モデル(LLM)をベースとしたエージェントは、構成一般化におけるシステム障害を示し、対話環境における堅牢性を制限する。 この研究は、エージェントのアクションを根拠にすることでこの問題に対処するために設計された、ニューロシンボリックAIエージェントアーキテクチャであるAGEL-Compを紹介する。 AGEL-Comp は,(1) 動的因果プログラムグラフ (CPG) を世界モデルとして,手続き的および因果的知識を有向ハイパーグラフとして表現する,(2) 経験的フィードバックから新たなホーン節を合成する帰納的論理プログラミング (ILP) エンジン,(3) LLM が論理的整合性に検証された候補サブゴールのセットを提案するハイブリッド推論コア,の3点を統合する。 エージェントは計画を推論し、その象徴的な世界モデルを誘導的に拡張し、ニューラル適応フェーズはその推論エンジンを新しい知識に整合させる。 本稿では,<texttt{Retro Quest} シミュレーション環境における評価プロトコルを提案する。 以上の結果から,純粋なLCMモデルよりもAGELモデルの方が優れた性能を示した。 我々の枠組みは、その世界を明確に解釈し、構成的に構造化された理解を構築するエージェントへの原則的な道を示す。

関連論文リスト

• Beyond the Academic Monoculture: A Unified Framework and Industrial Perspective for Attributed Graph Clustering [75.50670592447219]
  分散グラフクラスタリング(AGC)は、構造トポロジとノード属性を共同でモデル化することによって、ノードを凝集性グループに分割する基本的な教師なしタスクである。 この調査は、3つの相補的な視点からAGCを包括的かつ工業的に基礎づけたレビューを提供する。
  論文  参考訳（メタデータ） (2026-03-21T14:15:34Z)
• Toward Formalizing LLM-Based Agent Designs through Structural Context Modeling and Semantic Dynamics Analysis [13.919694566467053]
  この断片化は、LLMエージェントの特性と比較を可能にする分析可能な自己整合形式モデルが存在しないことに起因すると我々は主張する。 このギャップに対処するために、文脈構造の観点からLLMエージェントを解析・比較するための形式モデルであるtexttt Structure Context Model を提案する。 モンキー・バナナ問題の動的変種に対する完全な枠組みの有効性を実証し,本手法を用いて開発したエージェントが成功率を最大32ポイント向上することを示した。
  論文  参考訳（メタデータ） (2026-02-09T05:15:11Z)
• Agentic Reasoning for Large Language Models [122.81018455095999]
  推論は推論、問題解決、意思決定の基礎となる基本的な認知プロセスである。 大規模言語モデル(LLM)は、クローズドワールド設定では強力な推論能力を示すが、オープンエンドおよび動的環境では苦労する。 エージェント推論は、連続的な相互作用を計画し、行動し、学習する自律的なエージェントとしてLLMを解釈することでパラダイムシフトを示す。
  論文  参考訳（メタデータ） (2026-01-18T18:58:23Z)
• The Landscape of Agentic Reinforcement Learning for LLMs: A Survey [103.32591749156416]
  エージェント強化学習(Agentic RL)の出現は、大規模言語モデル(LLM RL)に適用された従来の強化学習からパラダイムシフトを示している。 本研究では, LLM-RLの縮退した単段階マルコフ決定過程(MDPs)と, エージェントRLを定義する部分可観測マルコフ決定過程(POMDPs)とを対比することにより, この概念シフトを定式化する。
  論文  参考訳（メタデータ） (2025-09-02T17:46:26Z)
• Topological Structure Learning Should Be A Research Priority for LLM-Based Multi-Agent Systems [69.95482609893236]
  大規模言語モデルに基づくマルチエージェントシステム(MAS)は、協調的な知性によって複雑なタスクに取り組むための強力なパラダイムとして登場した。 我々は,エージェント間相互作用の構造を明示的にモデル化し,動的に最適化する,エフェトロジーを意識したMASへのパラダイムシフトを求める。
  論文  参考訳（メタデータ） (2025-05-28T15:20:09Z)
• Controlled Agentic Planning & Reasoning for Mechanism Synthesis [18.8323743697237]
  本研究は、自動平面機構合成のための二重エージェントアクラムに基づく推論フレームワークを提案する。 自然言語によるタスク記述から、システムはシンボリック制約と方程式を構成し、シミュレーションコードを生成し、パラメタライズし、批判駆動のフィードバックを通じて設計を反復的に洗練する。
  論文  参考訳（メタデータ） (2025-05-23T08:16:32Z)
• Modeling Unseen Environments with Language-guided Composable Causal Components in Reinforcement Learning [15.594198876509628]
  構成因果成分を用いた世界モデリング(WM3C)について紹介する。 このフレームワークは、因果成分の学習と活用による強化学習を強化する。 我々のアプローチは、潜在空間を意味のある構成要素に分解するために、言語を構成モダリティとして統合する。
  論文  参考訳（メタデータ） (2025-05-13T09:08:28Z)
• Entropy-Regularized Token-Level Policy Optimization for Language Agent Reinforcement [67.1393112206885]
  大規模言語モデル(LLM)は、対話的な意思決定タスクにおいてインテリジェントなエージェントとして期待されている。 本稿では,トークンレベルでのLLMの最適化に適したエントロピー拡張RL法である,エントロピー正規化トークンレベル最適化(ETPO)を導入する。 我々は,データサイエンスコード生成を多段階対話型タスクのシリーズとしてモデル化したシミュレーション環境におけるETPOの有効性を評価する。
  論文  参考訳（メタデータ） (2024-02-09T07:45:26Z)
• Synergistic Integration of Large Language Models and Cognitive Architectures for Robust AI: An Exploratory Analysis [12.9222727028798]
  本稿では、知的行動を示す人工知能エージェントの開発に使用される2つのAIサブセクタの統合について考察する:大規模言語モデル(LLM)と認知アーキテクチャ(CA)である。 我々は3つの統合的アプローチを提案し、それぞれ理論モデルに基づいて、予備的な経験的証拠によって支持される。 これらのアプローチは、LSMとCAの長所を活用すると同時に、弱点を軽減し、より堅牢なAIシステムの開発を促進することを目的としている。
  論文  参考訳（メタデータ） (2023-08-18T21:42:47Z)

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。