論文の概要: KNOWPLAN: Knowledge-Driven AI Agents for Smart Degree Pathway Planning
- arxiv url: http://arxiv.org/abs/2608.06530v1
- Date: Thu, 06 Aug 2026 19:24:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.26911
- Title: KNOWPLAN: Knowledge-Driven AI Agents for Smart Degree Pathway Planning
- Title（参考訳）: KNOWPLAN: スマートdegreeパス計画のための知識駆動型AIエージェント
- Abstract要約: KnowPlanは抽出ファーストのバウンダリを強制し、ステージ間のインターフェースを仮定するのではなく計測する。
CatalogBrowseは、ソースアクセス単位当たりの原子カタログ義務の有限セットよりも低い信頼率の限界利得による法的行為を終了する。
DegreeMapはこれらのドキュメントのみを消費し、型付き要求ハイパーグラフにコンパイルする。
- 参考スコア（独自算出の注目度）: 7.831123318141461
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Planning a degree from official university sources requires solving two problems in order. The institution's curriculum must first be reconstructed from catalogs, departmental pages, JSON endpoints, and PDFs that share no schema, and only then can a student-specific path be optimized under prerequisite logic and overlapping requirement constraints. Coupling the two lets each failure mode hide the other, because a planner that drives its own crawling never learns facts its current plan does not need. We present KnowPlan, which enforces an extraction-first boundary and measures the interface between the stages rather than assuming it. CatalogBrowse explores with no access to any user profile. It scores legal actions by lower-confidence expected marginal gain over a finite set of atomic catalog obligations per unit of source access, parses deterministically through platform adapters with a span-constrained clause-to-AST model fallback, and terminates on a closure certificate over index, schema, provenance, and reference completeness instead of a reward threshold. Its output contract is three provenance-linked JSON documents. DegreeMap consumes only those documents. It compiles them into a typed requirement hypergraph and optimizes lexicographically with CP-SAT over hard feasibility, completion horizon, load and risk, personalized utility, and option value, so that each stage optimizes inside the previous stage's proven optimum and stays certifiable within the solver budget. Across a 100-university broad track and a six-school dense track, CatalogBrowse reaches 96.2% inventory recall and 88.7% masked-source recovery at 47% less source access than an exhaustive crawler, DegreeMap holds 100.0% hard feasibility while improving personalized utility by +0.066 over the strongest baseline, and the full pipeline certifies 99.5% of requests with a utility gap to the privileged gold graph of 0.015.
- Abstract（参考訳）: 公立大学から学位を取得するには、2つの問題を順番に解決する必要がある。
機関のカリキュラムは、まず、スキーマを共有しないカタログ、部門ページ、JSONエンドポイント、PDFから再構築されなければならない。
この2つを結合することで、各障害モードが他方を隠すことができる。なぜなら、独自のクローリングを駆動するプランナーは、現在の計画では必要ない事実を決して学ばないからだ。
抽出ファースト境界を強制し、仮定するよりもステージ間のインターフェースを計測するKnowPlanを提案する。
CatalogBrowseは、ユーザープロフィールにアクセスせずに探索する。
ソースアクセス単位当たりの有限のアトミックカタログ義務に対する信頼性の低い限界利得による法的なアクションをスコアし、スパン制約付き節からASTモデルへのフォールバックでプラットフォームアダプタを通じて決定的に解析し、報酬しきい値ではなく、インデックス、スキーマ、証明、参照完全性に関するクロージャ証明書を終了する。
出力契約は3つのprovidance-linked JSONドキュメントである。
DegreeMapはこれらのドキュメントのみを消費する。
それらは型付き要件ハイパーグラフにコンパイルされ、ハードファシビリティ、コンプリート水平線、ロードとリスク、パーソナライズされたユーティリティ、オプション値に対して、CP-SATとレキシカルに最適化される。
100ユニバーシティ・ワイドトラックと6カ所の高密度トラックで、CatalogBrowseは96.2%の在庫リコールと88.7%のマスク付きソースリカバリを実現し、網羅的なクローラよりも47%少ないソースアクセスを実現し、DegreeMapは100.0%のハードファシビリティを持ち、最強のベースライン上でパーソナライズされたユーティリティを+0.066で改善し、完全なパイプラインは0.015の特権金グラフに対するユーティリティギャップを持つ99.5%の要求を認証している。
関連論文リスト
- Hard Rules, Soft Preferences: Bridging Reasoning, Learning, and Optimization for Personalized Packing Checklist Generation [1.527888781756971]
既存のパッキングアシスタントはテンプレート駆動、ジェネリック、レコメンデーション駆動だが制約なし、ユーザーは手動で規制やキャパシティ違反をパッチしなければならない。
本研究では,(1)明示的な依存構造を持つ規則付きルーブリックシードを生成するシンボリックエンジン,(2)包摂性とユーティリティを推定する2段階の選好学習装置,(3)コンパクトで準拠したサブセットを選択するCP-MART-SATの3段階からなる推論誘導学習フレームワークを提案する。
iOSのプロダクショントラベルアプリであるFlyEnJoyへのデプロイでは、チェックリストの完了が倍増し、編集と完了時間が短縮された。
論文 参考訳（メタデータ） (2026-07-17T02:11:00Z) - Constrained Decoding for Diffusion Language Models via Efficient Inference over Finite Automata [57.27430779838529]
有限オートマトンとして表現可能な任意の制約の下で,制約付き平均場後部からサンプリングする,正確かつトラクタブルなアルゴリズムを提案する。
このアプローチは、構築による制約満足度を保証し、欲求とサンプリングベースのデコーディングの両方をサポートし、並列およびブロックワイドデコーディングと互換性がある。
Dream-7B と LLaDA-8 の実証的な評価は、様々なタスクにおいてかなりの精度の向上を示した。
論文 参考訳（メタデータ） (2026-07-08T05:48:57Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - FlexPath: Learned Semantic Path Priors for Image-Based Planning [2.739231894601598]
私たちはFlexPathという2段階のフレームワークを紹介します。
最短経路計画では、FlexPathは最先端のTransPathに比べてTMPの検索労力を14.3%削減している。
最小クリアランス距離2の障害物クリアランスでは、探索コストを低く保ちながら96.8%の完全な障害物回避を実現する。
論文 参考訳（メタデータ） (2026-06-08T20:53:11Z) - An NLP-Driven Framework for Curriculum-Labor Market Alignment: Schema-Constrained LLM Extraction, ESCO-Anchored Semantic Matching, and Multi-Dimensional Gap Quantification [1.2690075195132626]
既存のパイプラインは、暗黙の能力を取り戻すことができない語彙曲面法に依存している。
本稿では,フロンティア強化7スロット形式を組み込んだ4段階NLPフレームワークを提案する。
このフレームワークは、高等教育品質保証における重要な応用のためにインスタンス化されている。
論文 参考訳（メタデータ） (2026-06-01T09:44:37Z) - Scaling Multi-Hop Training Data via Graph-Constrained Path Selection [40.133031562641044]
推論パスは文脈キーワードであるCentroidのグラフ上でオフラインに列挙され、教師は事前に検証されたパスにのみ呼び出される。
等訓練スケールでは、制約された鎖と制約のない鎖は区別不能な下流のパフォーマンスをもたらし、フルスケールでの利得は使用可能なコーパスの4.4$times$拡張から得られる。
Qwen3-32B CUAD法定契約コーパスから構築された80K のファインチューニングの Qwen3-32B は、クローズドブックの Token F1 を 21.66% から 38.58% に改善した。
論文 参考訳（メタデータ） (2026-05-29T12:39:03Z) - From Patches to Trajectories: Privileged Process Supervision for Software-Engineering Agents [56.31499185764872]
教師の長い軌道上の監督された微調整(SFT)は、オープンソフトウェアエンジニアリング(SWE)エージェントに調査と推論を浸透させる主要な方法である。
本稿では,P2T (Patches-to-Trajectories) を提案する。P2T (Patches-to-Trajectories) は,P2T (Patches-to-Trajectories) において,P2T (Patches-to-Trajectories) とP2T (Patches-to-Trajectories) の2つの最適化法である。
論文 参考訳（メタデータ） (2026-05-21T04:54:55Z) - DocAtlas: Multilingual Document Understanding Across 80+ Languages [58.715440331861295]
本稿では,82言語を対象とした高忠実度OCRデータセットとベンチマークを構築するフレームワークDocAtlasを紹介する。
我々のデュアルパイプライン、ネイティブDOCX文書の微分レンダリング、左右スクリプトの合成ベース生成は正確な構造アノテーションを生成する。
論文 参考訳（メタデータ） (2026-05-12T18:09:38Z) - How Far Is Document Parsing from Solved? PureDocBench: A Source-TraceableBenchmark across Clean, Degraded, and Real-World Settings [56.70440596502351]
昨年は20以上のオープンドキュメントパースモデルが見られたが、ベンチマークはほぼOmniDocBenchにのみ依存している。
HTML/CSSのドキュメントイメージをレンダリングするベンチマークであるPureDocBenchは、10のドメイン、66ページ、1,475ページをカバーしています。
論文 参考訳（メタデータ） (2026-05-08T09:30:31Z) - LLM-based Schema-Guided Extraction and Validation of Missing-Person Intelligence from Heterogeneous Data Sources [0.7734726150561088]
行方不明者や子どもの安全に関する調査は、構造化フォーム、掲示板スタイルのポスター、物語ウェブプロファイルなど、異種ケース文書に依存している。
レイアウト、用語、データ品質の変化は、急激なトリアージ、大規模分析、探索計画を妨げる。
本稿では、AIによる解析および正規化パイプラインであるGuardian Packを紹介し、マルチソース調査文書を統一されたスキーマ準拠の表現に変換する。
論文 参考訳（メタデータ） (2026-04-08T01:35:56Z) - Teaching LLMs to Ask: Self-Querying Category-Theoretic Planning for Under-Specified Reasoning [1.8055130471307603]
大きな言語モデルによる推論時間プランニングは、部分的な可観測性の下で頻繁に失敗する。
textbfSelf-Querying Bidirectional Categorical Planning (SQ-BCP)を導入する。
検証が成功し、厳しい制約が決定論的チェックをパスした場合、承認された計画が目標要件と互換性があることを証明する。
論文 参考訳（メタデータ） (2026-01-27T19:41:10Z) - Learning to Cover: Online Learning and Optimization with Irreversible Decisions [50.5775508521174]
我々は,個別かつ不可逆な意思決定を対象とするオンライン学習と最適化の問題を定義した。
各期間において、意思決定者は、オープンする施設を選択し、それぞれの成功に関する情報を受け取り、将来の決定を導くために分類モデルを更新する。
目的は,多数の施設を対象とする地平線を特徴とし,カバー対象を反映するチャンス制約の下で施設開口を最小化することである。
論文 参考訳（メタデータ） (2024-06-20T23:00:25Z)
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。