論文の概要: Lifting Traces to Logic: Programmatic Skill Induction with Neuro-Symbolic Learning for Long-Horizon Agentic Tasks

• arxiv url: http://arxiv.org/abs/2605.01293v1
• Date: Sat, 02 May 2026 07:06:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.688274
• Title: Lifting Traces to Logic: Programmatic Skill Induction with Neuro-Symbolic Learning for Long-Horizon Agentic Tasks
• Title（参考訳）: 論理学へのリフティングトレース:長期エージェントタスクのためのニューロシンボリック学習によるプログラム的スキル誘導
• Authors: Jie-Jing Shao, Haiyan Yin, Yueming Lyu, Xingrui Yu, Lan-Zhe Guo, Ivor Tsang, James Kwok, Yu-Feng Li,
• Abstract要約: Neuro-Symbolic Skill induction (NSI) は、対話トレースをモジュラーなテキスト・グラウンド・プログラムに持ち上げるフレームワークである。 NSIは効率的な一般化を可能にし、エージェントはわずかな例からスキルを誘導し、目に見えない目標に柔軟に適応することができる。
• 参考スコア（独自算出の注目度）: 34.41996714138771
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation model-driven agents often struggle with long-horizon planning due to the transient nature of purely prompting-based reasoning. While existing skill induction methods mitigate this by distilling experience into state-blind parameterized scripts, they fail to capture the conditional logic required for robust execution in dynamic environments. In this paper, we propose Neuro-Symbolic Skill Induction (NSI), a framework that lifts interaction traces into modular, \textit{logic-grounded} programs. By synthesizing explicit control flows and dynamic variable binding, NSI empowers agents to discover \textit{when} and \textit{why} to act. This paradigm enables the efficient generalization, allowing agents to induce skills from few-shot examples and flexibly adapt to unseen goals. Experiments on a series of agentic tasks demonstrate that NSI consistently outperforms state-of-the-art baselines, empowering agents to self-evolve into architects of logic-grounded skills.
• Abstract（参考訳）: ファンデーションモデル駆動エージェントは、純粋にプロンプトに基づく推論の過渡的な性質のために、長い水平計画に苦しむことが多い。 既存のスキルインダクションメソッドは、経験をステートブレンドのパラメータ化スクリプトに蒸留することでこれを緩和するが、動的環境での堅牢な実行に必要な条件ロジックをキャプチャできない。 本稿では,対話トレースをモジュール化するためのフレームワークであるNeuro-Symbolic Skill induction (NSI)を提案する。 明示的な制御フローと動的変数バインディングを合成することにより、NSIはエージェントに作用する \textit{when} と \textit{why} を見つける権限を与える。 このパラダイムは効率的な一般化を可能にし、エージェントはわずかな例からスキルを誘導し、目に見えない目標に柔軟に適応することができる。 一連のエージェントタスクの実験は、NSIが最先端のベースラインを一貫して上回り、エージェントが論理的なスキルを持つアーキテクトに自己進化することを可能にすることを示している。

関連論文リスト

• Emergent Neural Automaton Policies: Learning Symbolic Structure from Visuomotor Trajectories [14.475289544849007]
  ENAP(Emergent Neural Automaton Policy)は、バイスモータのデモンストレーションから適応的に2段階のニューロシンボリックポリシーを実現するためのフレームワークである。 タスク構造を離散的な遷移と連続的な残差で明示的にモデル化することにより、ENAPはタスク固有のラベルを必要とせずに高いサンプル効率と解釈性を達成する。
  論文  参考訳（メタデータ） (2026-03-26T20:50:36Z)
• Zero-Shot Instruction Following in RL via Structured LTL Representations [50.41415009303967]
  マルチタスク強化学習では、エージェントが訓練中に見えない新しいタスクをゼロショットで実行しなければならない。 この設定では、最近、時間的に拡張された構造化タスクを特定するための強力なフレームワークとして線形時間論理が採用されている。 既存のアプローチはジェネラリストの政策を訓練することに成功しているが、仕様に固有のリッチな論理的・時間的構造を効果的に捉えるのに苦労することが多い。
  論文  参考訳（メタデータ） (2026-02-15T23:22:50Z)
• Prompt-Driven Low-Altitude Edge Intelligence: Modular Agents and Generative Reasoning [20.552503613122067]
  大規模人工知能モデル(LAM)は、知覚、推論、マルチモーダル理解において強力な能力を示す。 エッジでのLSMの展開は、いくつかの基本的な制限によって制限されている。 フレキシブルで効率的で適応的なエッジインテリジェンスを実現するために,P2AECF(Process-to-agent edge cognition framework)を提案する。
  論文  参考訳（メタデータ） (2026-02-15T06:09:04Z)
• PhyNiKCE: A Neurosymbolic Agentic Framework for Autonomous Computational Fluid Dynamics [0.0]
  この研究は、信頼できるエンジニアリングのためのニューロシンボリック・エージェント・フレームワークであるPhyNiKCEを紹介している。 標準的なブラックボックスエージェントとは異なり、PhyNiKCEはシンボリック検証からニューラルプランニングを分離する。 このアーキテクチャは、幅広い産業自動化において、信頼できる人工知能のためのスケーラブルで監査可能なパラダイムを提供する。
  論文  参考訳（メタデータ） (2026-02-12T07:37:56Z)
• AgentLongBench: A Controllable Long Benchmark For Long-Contexts Agents via Environment Rollouts [78.33143446024485]
  我々は、横方向思考パズルに基づく環境ロールアウトによるエージェントの評価を行うtextbfAgentLongBenchを紹介した。 このフレームワークは、知識集約的で知識のないシナリオにまたがる厳密な相互作用の軌跡を生成する。
  論文  参考訳（メタデータ） (2026-01-28T16:05:44Z)
• Auxiliary Metrics Help Decoding Skill Neurons in the Wild [52.148049490080496]
  我々は、特定のスキルをコードするニューロンを分離するための、シンプルで軽量で広く適用可能な方法を紹介した。 我々は,ニューロンの活性化を,外部ラベルやモデル自身の信頼スコアなどの補助的指標と相関する。 我々は,オープンエンドテキスト生成と自然言語推論にまたがるタスクに対して,我々の手法を実証的に検証する。
  論文  参考訳（メタデータ） (2025-11-26T17:31:53Z)
• Fundamentals of Building Autonomous LLM Agents [64.39018305018904]
  本稿では,大規模言語モデル(LLM)を用いたエージェントのアーキテクチャと実装手法について概説する。 この研究は、複雑なタスクを自動化し、人間の能力でパフォーマンスのギャップを埋めることのできる「アジェンティック」なLLMを開発するためのパターンを探求することを目的としている。
  論文  参考訳（メタデータ） (2025-10-10T10:32:39Z)
• Performant LLM Agentic Framework for Conversational AI [1.6114012813668932]
  複雑なグラフをトラバースする際に,適切なノードを選択し,順に処理を実行する際に,LLM(Large Language Models)を支援する新しいシステムであるPerformant Agentic Framework(PAF)を紹介する。 PAFはLLMベースの推論と数学的に基底化されたベクトルスコアリング機構を組み合わせることで、高い精度とレイテンシの低減を実現している。 PAFは、複雑なビジネス環境において、スケーラブルでリアルタイムな会話型AIシステムを実現する方法として、ベースラインメソッドを著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-03-09T02:58:34Z)
• Skill Machines: Temporal Logic Skill Composition in Reinforcement Learning [13.049516752695613]
  本稿では,エージェントがその環境におけるすべてのハイレベルな目標を達成するのに十分なスキルプリミティブのセットを学習するフレームワークを提案する。 エージェントは論理的にも時間的にも柔軟に構成でき、任意の正規言語で時間論理の仕様を確実に達成することができる。 これによりエージェントは、複雑な時間論理タスクの仕様から、ほぼ最適な振る舞いをゼロショットにマッピングできる。
  論文  参考訳（メタデータ） (2022-05-25T07:05:24Z)

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。