論文の概要: Repair the Amplifier, Not the Symptom: Stable World-Model Correction for Agent Rollouts
- arxiv url: http://arxiv.org/abs/2607.01767v2
- Date: Sun, 05 Jul 2026 07:41:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 17:33:48.920053
- Title: Repair the Amplifier, Not the Symptom: Stable World-Model Correction for Agent Rollouts
- Title（参考訳）: 症状ではなく増幅器を修復する: エージェントロールアウトのための安定なワールドモデル補正
- Abstract要約: 本研究では,修復がその後のロールアウトを安定化させる計画図のコンパクトな部分グラフを選択することで,ワールドモデル補正について検討する。
ノードエッジ増幅を推定するスペクトル部分グラフ補正法であるWM-SARを提案する。
WM-SARは,トークン予算のコンパクト化により,より強い長期安定化と根源回復を実現する。
- 参考スコア（独自算出の注目度）: 2.571318992830046
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-horizon language agents increasingly maintain executable world models in the form of planning graphs, where tool calls, validators, memory updates, recovery branches, and final answers are connected by typed dependencies. When a rollout fails, repairing the most visible error can leave the underlying error-amplification path intact, while replaying the full graph is expensive and difficult for long-context models to use reliably. We study world-model correction: selecting a compact subgraph of a failed planning graph whose repair stabilizes subsequent rollouts. We first instantiate a strong family of engineering correctors, including pointwise error scans, TopK and window selection, local graph expansion, cascade repair, and full-context LLM repair. We then propose WM-SAR, a spectral subgraph repair method that estimates node-edge amplification, greedily grows a connected repair region by marginal residual-spectral relief, and sends only this region to an LLM for root-cause repair. Theoretically, we connect residual spectral radius to rollout error and planning regret, motivating repair as stabilization rather than attribution alone. Across synthetic calling-tree graphs, benchmark-inspired agent topologies, and cross-model LLM repair experiments, WM-SAR achieves stronger long-horizon stabilization and root-cause recovery under compact token budgets, matching much larger repair contexts while exposing the LLM to a cleaner causal subgraph.
- Abstract（参考訳）: ツールコール、バリデータ、メモリ更新、リカバリブランチ、最終的な回答が型付き依存関係によって接続される。
ロールアウトが失敗した場合、最も目に見えるエラーの修正は、基礎となるエラー増幅パスをそのまま残すことができる。
本研究では,修復がその後のロールアウトを安定化させる計画図のコンパクトな部分グラフを選択することで,ワールドモデル補正について検討する。
まず、ポイントワイズエラースキャン、TopKとウィンドウ選択、局所グラフ拡張、カスケード修復、フルコンテキストLLM修復など、強力なエンジニアリング修正のファミリーをインスタンス化する。
そこで我々は,ノードエッジ増幅を推定するスペクトルサブグラフ補正手法であるWM-SARを提案する。
理論的には、残差スペクトル半径をロールアウト誤差に接続し、後悔を計画する。
WM-SARは, 合成コールツリーグラフ, ベンチマークに着想を得たエージェントトポロジ, クロスモデルLPM修復実験を通じて, より強力な長水平安定化と, よりクリーンな因果部分グラフにLLMを露出しながら, はるかに大きな修復コンテキストを一致させる。
関連論文リスト
- Adaptive Influence Graphs for Failure Attribution in Multi-Agent Systems [16.78530745432555]
本稿では,2段階のエージェントフレームワークであるAdaptive Influence Graphs(AIGs)を紹介する。
複数のモデルにまたがって、よりリッチなトレース表現がフェール属性を継続的に改善することを示す。
この仮説は、帰属は診断モデルだけでなく、どのようにトレースが表現され、探索されるかにも依存する、という我々の仮説を裏付けるものである。
論文 参考訳（メタデータ） (2026-08-25T10:18:19Z) - Diagnosis Before Recovery: Turning Agent Failures into Selective Self-Correction [22.654396704495934]
開発セット障害は、どのリカバリ介入が許容可能かを決定することにより、欠落診断基板の一部を回復することができる。
DARCは、タスクファミリー障害モードをプロファイリングし、共有リカバリライブラリから不正な介入を発生させ、検証者選択によるデプロイメント成功コストポリシーを凍結する、診断誘導型リカバリハーネスである。
論文 参考訳（メタデータ） (2026-08-12T08:14:45Z) - Experience Memory Graph: One-Shot Error Correction for Agents [9.23684438376937]
大規模言語モデル(LLM)エージェントは、エラーを複雑にし、障害から回復するのに苦労する。
既存の自己補正機構は本質的に不安定なプロンプトベースの反射に依存している。
本稿では,エージェント障害回復をグラフマッチング問題として再構成するフレームワークであるExperience Memory Graph (EMG)を提案する。
論文 参考訳（メタデータ） (2026-07-15T14:33:15Z) - ReGRPO: Reflection-Augmented Policy Optimization for Tool-Using Agents [52.531681772560724]
Supervised Fine-tuning (SFT) は主に軌道軌道上で構築されており、ツール故障後の回復のための信号はほとんど得られない。
ツール使用エージェントの反射誘導補正を学習するフレームワークであるReGRPOを紹介する。
GTAとGAIAの実験では、同じバックボーンとツールスイートの下で、ReGRPOは一貫して強力なオープンソースベースラインを上回っている。
論文 参考訳（メタデータ） (2026-06-30T09:19:38Z) - Adaptive Recurrent Message Passing for Test Time Computing on Graphs [80.56829418752513]
繰り返しグラフモデルでは,グラフデータとアーキテクチャ設計の固有のミスマッチを克服できることを示す。
本稿では,アダプティブ・リカレントグラフモデルであるAdaRを提案する。
論文 参考訳（メタデータ） (2026-06-21T12:14:11Z) - Reducing Hallucinations in Complex Question Answering using Simple Graph-based Retrieval-Augmented Generation (long version) [0.0]
大規模言語モデル(LLM)は、自然言語処理のランドスケープを根本的に変えてきた。
検索拡張世代システム(RAG)は、LLMの「ハロシン化」情報のリスクを回避すべく、一般的な展開シナリオとして登場した。
本研究では,比較的単純なグラフスキーマを用いた軽量グラフ構造を用いて,専用のツールセットを通じてRAGサブシステムをサポートする方法を検討する。
論文 参考訳（メタデータ） (2026-06-04T09:07:06Z) - ANNEAL: Adapting LLM Agents via Governed Symbolic Patch Learning [12.44509691077682]
本稿では,繰り返し発生する障害をプロセス知識グラフのシンボル編集に変換する神経シンボルエージェントであるANNEALを紹介する。
その中核となるメカニズムであるFDKA(Failure-Driven Knowledge Acquisition)は、責任のあるオペレータをローカライズし、制約付きLLM生成を通じて型付きパッチを合成し、提案を検証する。
4つのドメインと27のマルチシードランをまたいだANNEALは、永続的な構造修復を行う唯一の評価システムである。
論文 参考訳（メタデータ） (2026-05-04T05:24:03Z) - IMPACT-CYCLE: A Contract-Based Multi-Agent System for Claim-Level Supervisory Correction of Long-Video Semantic Memory [73.22944697933603]
既存のパイプラインは不透明でエンドツーエンドの出力を生成し、検査の中間状態は公開しない。
IMPACT-Cycleは,マルチモーダル反復クレームレベルのメンテナンスとして,長時間ビデオ理解を再構築するマルチエージェントシステムである。
論文 参考訳（メタデータ） (2026-04-22T03:03:33Z) - From Early Encoding to Late Suppression: Interpreting LLMs on Character Counting Tasks [49.57538588967748]
LLM(Large Language Model)は、複雑なベンチマークでは優れているにもかかわらず、単語中の文字数などの基本的な記号的タスクにおいて失敗を示す。
我々は、LLaMA、Qwen、Gemmaなど、現代のアーキテクチャにまたがる一貫した現象を発見した。
LLMにおけるシンボリック推論失敗は,表現不足やスケール不足によるものではなく,モデル計算グラフ内の構造的干渉によるものであることを示す。
論文 参考訳（メタデータ） (2026-04-01T11:40:12Z) - GNNVerifier: Graph-based Verifier for LLM Task Planning [26.77252346424261]
大規模言語モデル(LLM)は、自律エージェントの開発を促進する。
近年の研究では、潜在的な欠陥を特定し、修正するための計画検証器が導入されている。
既存のほとんどのアプローチは、検証子として LLM に依存している。
LLMタスク計画のためのグラフベースの検証器を提案する。
論文 参考訳（メタデータ） (2026-03-16T02:05:21Z) - AGRAG: Advanced Graph-based Retrieval-Augmented Generation for LLMs [15.570965946461255]
グラフベースの検索強化生成(RAG)は構造化知識でLarge Language Models(LLMs)を増強する大きな可能性を証明している。
既存の手法では、不正確なグラフ構築、不適切な推論能力、不適切な解答の3つの重要な課題に直面している。
本稿では,高度なグラフベースの検索拡張生成フレームワークであるAGRAGを提案する。
論文 参考訳（メタデータ） (2025-11-02T06:13:06Z) - Metacognitive Self-Correction for Multi-Agent System via Prototype-Guided Next-Execution Reconstruction [58.51530390018909]
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は、協調的な問題解決において優れているが、エラーのカスケードには脆弱である。
我々は,MASにリアルタイム,教師なし,ステップレベルの誤り検出と自己補正を付与するメタ認知フレームワークMASCを提案する。
論文 参考訳（メタデータ） (2025-10-16T05:35:37Z) - Where LLM Agents Fail and How They can Learn From Failures [62.196870049524364]
大規模言語モデル(LLM)エージェントは、複雑なマルチステップタスクの解決において有望であることを示す。
単一ルート原因エラーがその後の決定を通じて伝播する、障害のカスケードに対する脆弱性を増幅する。
現在のシステムは、モジュール的で体系的な方法でエージェントエラーを包括的に理解できるフレームワークを欠いている。
AgentErrorTaxonomyは、メモリ、リフレクション、計画、アクション、システムレベルの操作にまたがる障害モードのモジュール分類である。
論文 参考訳（メタデータ） (2025-09-29T18:20:27Z) - GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。
抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。
提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
論文 参考訳（メタデータ） (2025-09-20T02:38:00Z) - Repairing vulnerabilities without invisible hands. A differentiated replication study on LLMs [5.10123605644148]
自動脆弱性修復(AVR: Automated Vulnerability repair)は、プログラム修復の急激な分岐である。
近年の研究では、大きな言語モデル(LLM)が従来の手法より優れていることが示されている。
論文 参考訳（メタデータ） (2025-07-28T16:39:16Z) - Mitigating Forgetting in LLM Fine-Tuning via Low-Perplexity Token Learning [65.23593936798662]
LLM生成データによる微調整により,目標タスクの性能が向上し,非目標タスクの劣化が低減されることを示す。
微調整後のLSMにおける破滅的忘れを緩和するために、トークンの難易度低減に基づく経験的説明を提供する最初の研究である。
論文 参考訳（メタデータ） (2025-01-24T08:18:56Z) - Towards Efficient LLM Grounding for Embodied Multi-Agent Collaboration [68.29746557968107]
本稿では,多エージェント協調のための新しいフレームワークを提案する。これは,効率的な自己調整のための強化アドバンテージフィードバック(Reinforced Advantage feedback, ReAd)を導入する。
Over-AIと難解なRoCoBenchの実験は、ReAdが成功率のベースラインを超え、エージェントの相互作用ステップを著しく減少させることを示している。
論文 参考訳（メタデータ） (2024-05-23T08:33:19Z)
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。