論文の概要: Do Enterprise Systems Need Learned World Models? The Importance of Context to Infer Dynamics

• arxiv url: http://arxiv.org/abs/2605.12178v1
• Date: Tue, 12 May 2026 14:22:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.918394
• Title: Do Enterprise Systems Need Learned World Models? The Importance of Context to Infer Dynamics
• Title（参考訳）: エンタープライズシステムは世界モデルを学習する必要があるか? ダイナミクスの推論におけるコンテキストの重要性
• Abstract要約: オフラインでトレーニングされた世界モデルは、動的に変化するにつれて、よく分布するが劣化するが、発見に基づくエージェントは、より堅牢であることを示す。 企業環境では、エージェントは固定された内部化ダイナミクスのみに頼るのではなく、実行時に関連するトランジションロジックを発見するメカニズムを組み込むことを示唆している。
• 参考スコア（独自算出の注目度）: 16.09809323840653
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World models enable agents to anticipate the effects of their actions by internalizing environment dynamics. In enterprise systems, however, these dynamics are often defined by tenant-specific business logic that varies across deployments and evolves over time, making models trained on historical transitions brittle under deployment shift. We ask a question the world-models literature has not addressed: when the rules can be read at inference time, does an agent still need to learn them? We argue, and demonstrate empirically, that in settings where transition dynamics are configurable and readable, runtime discovery complements offline training by grounding predictions in the active system instance. We propose enterprise discovery agents, which recover relevant transition dynamics at runtime by reading the system's configuration rather than relying solely on internalized representations. We introduce CascadeBench, a reasoning-focused benchmark for enterprise cascade prediction that adopts the evaluation methodology of World of Workflows on diverse synthetic environments, and use it together with deployment-shift evaluation to show that offline-trained world models can perform well in-distribution but degrade as dynamics change, whereas discovery-based agents are more robust under shift by grounding their predictions in the current instance. Our findings suggest that, in configurable enterprise environments, agents should not rely solely on fixed internalized dynamics, but should incorporate mechanisms for discovering relevant transition logic at runtime.
• Abstract（参考訳）: 世界モデルにより、エージェントは環境力学を内在化することで、アクションの効果を予測できる。 しかしながら、エンタープライズシステムでは、これらのダイナミクスは、デプロイ毎に異なるテナント固有のビジネスロジックによって定義され、時間の経過とともに進化します。 ルールが推論時に読めば、エージェントはそれを学ぶ必要がありますか? トランジッションダイナミクスが設定可能で可読性のある設定では、ランタイムディスカバリは、アクティブなシステムインスタンスの予測を根拠にすることで、オフライントレーニングを補完する、と実証的に主張する。 本稿では,内部表現のみに頼るのではなく,システム構成を読み取ることで,実行時に関連するトランジッションダイナミクスを回復するエンタープライズディスカバリエージェントを提案する。 さまざまな合成環境におけるWorld of Workflowsの評価手法を採用した企業カスケード予測のための推論中心のベンチマークであるCascadeBenchを紹介し、オフラインでトレーニングされた世界モデルが、動的に変化するにつれてうまく機能するが、その一方で発見ベースのエージェントは、現在のインスタンスで予測を基礎にすることで、より堅牢であることを示すために、デプロイメントシフト評価と併用する。 構成可能なエンタープライズ環境では、エージェントは固定された内部化のダイナミクスにのみ依存するのではなく、実行時に関連するトランジションロジックを発見するメカニズムを取り入れるべきである。

関連論文リスト

• Quo Vadis, World Modeling? [116.2429173084643]
  継続的改善エージェントは静的な監視以上の動的インタラクションフィードバックを必要とするが、直接的な環境相互作用はコストが高く、遅く、安全ではない、並列化が難しい。 World Modelingは、エージェントが実際のアクションにコミットする前により低コストで制御可能なフィードバックをクエリできる、自然な中間プロキシを提供する。 この作業は、世界モデリングをエージェント中心のパラダイムに再キャストし、エージェントがよりよい計画を立て、より早く学習し、継続的に進化するための世界プロキシを構築するためのロードマップを確立する。
  論文  参考訳（メタデータ） (2026-08-03T17:59:58Z)
• ScrambleToolBench: Agents Search Exhaustively Even When Their Own Map Points to the Next Step [74.83535434786145]
  ScrambleToolBenchは,行動推論の分離を目的とした対話型端末ベンチマークである。 このベンチマークでは、エージェントがテストとエラーのインタラクションを通じて、隠されたツールの振る舞いを明らかにする必要がある。 現状の言語モデルに対する我々の評価は、初期発見が成功しても頑健な適応にはならないことを示している。
  論文  参考訳（メタデータ） (2026-08-03T15:07:46Z)
• AgentStream: How Well Do Self-Evolving LLM Agents Perform Under Streaming Tasks? [65.05151983193441]
  大規模言語モデル(LLM)エージェントは、自身の蓄積した経験から継続的に改善することで、自己進化することができる。 我々は,多様な進化的コンポーネントにまたがる自己進化的エージェントを評価する統合フレームワークであるAgentStreamを紹介する。 以上の結果から、自己進化の信頼性はストリーミングシナリオによって異なり、自己進化の利点はモデル能力と非単調なモデル強度によって促進されることが示された。
  論文  参考訳（メタデータ） (2026-07-31T17:50:08Z)
• Can Agents Generalize to the Open World? Unveiling the Fragility of Static Training in Tool Use [14.813603277906623]
  我々は、クエリ、アクション、観察、ドメイン次元の分散シフトを特徴とするOpenAgentを定式化した。 分析の結果, エージェントがスーパーバイザード・ファイン・チューニング(SFT)と強化学習(Reinforcement Learning)の両方で訓練された場合, 性能劣化の程度が異なることが判明した。 本研究では,実環境におけるエージェントの堅牢性向上と実用性向上の基盤となる,SFTの妨害に基づく介入戦略であるPerturbation-Augmented Fine-Tuningを提案する。
  論文  参考訳（メタデータ） (2026-07-01T15:40:25Z)
• In-Context Learning Under Regime Change [23.94313447462402]
  非定常配列は自然に制御、予測、意思決定に現れる。 我々は、これをコンテキスト内変化点検出問題として定式化し、この問題を解決するトランスフォーマーモデルの存在を正式に確立する。 本稿では,感染予測やFOMC(Federal Open Market Committee, FOMC)の発表に伴う金融ボラティリティ予測において, 変更点知識の符号化と導入によって, 事前にトレーニングした基盤モデルの現実的な性能が向上することを示す。
  論文  参考訳（メタデータ） (2026-04-18T13:23:50Z)
• A Mechanistic Analysis of Transformers for Dynamical Systems [4.590170084532207]
  動的データに適用した場合の単一層変換器の表現能力と限界について検討する。 線形系に対しては、ソフトマックスアテンションによって課される凸性制約が、表現できる力学のクラスを根本的に制限していることが示される。 部分可観測性を持つ非線形系では、注意は適応的な遅延埋め込み機構として機能する。
  論文  参考訳（メタデータ） (2025-12-24T11:21:07Z)
• Grounded Test-Time Adaptation for LLM Agents [75.62784644919803]
  大規模言語モデル(LLM)ベースのエージェントは、新規で複雑な環境への一般化に苦慮している。 環境特化情報を活用することで, LLMエージェントを適応するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2025-11-06T22:24:35Z)
• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [57.19302613163439]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• Situationally-Aware Dynamics Learning [57.698553219660376]
  隠れ状態表現のオンライン学習のための新しいフレームワークを提案する。 提案手法は、非観測パラメータが遷移力学と報酬構造の両方に与える影響を明示的にモデル化する。 シミュレーションと実世界の両方の実験は、データ効率、ポリシー性能、安全で適応的なナビゲーション戦略の出現を著しく改善した。
  論文  参考訳（メタデータ） (2025-05-26T06:40:11Z)
• Transformers Use Causal World Models in Maze-Solving Tasks [49.67445252528868]
  我々は迷路解決タスクで訓練されたトランスフォーマーで世界モデルを特定する。 機能を抑圧するよりも、機能をアクティベートする方が簡単であることが分かりました。 位置符号化方式は、モデルの残留ストリーム内でのワールドモデルがどのように構成されているかに影響を与えるように見える。
  論文  参考訳（メタデータ） (2024-12-16T15:21:04Z)
• Epistemic Exploration for Generalizable Planning and Learning in Non-Stationary Settings [23.038187032666304]
  本稿では,非定常環境における継続計画とモデル学習のための新しいアプローチを提案する。 提案したフレームワークは、エージェントの現在の知識状態のギャップをモデル化し、焦点を絞った調査を行うためにそれらを使用する。 いくつかの非定常ベンチマーク領域での実証的な評価は、このアプローチがサンプルの複雑さの観点からプランニングとRLベースラインを著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-02-13T00:50:06Z)
• Discovering group dynamics in coordinated time series via hierarchical recurrent switching-state models [5.250223406627639]
  我々は、複数の相互作用する実体(つまり「エージェント」)から生じる時系列の集合に対する計算学的に効率的なモデルを求める。 個人間の時間パターンの最近のモデルでは、個々の実体の軌跡に影響を与える可能性のある明示的なシステムレベルの集団行動が組み込まれていない。 我々は、遅延系レベル離散状態マルコフ連鎖を用いて、遅延系レベルチェーンにトップダウンの影響を与え、各観測時系列の排出を制御している。
  論文  参考訳（メタデータ） (2024-01-26T16:06:01Z)

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。