論文の概要: Chronocooked: A Benchmark for Implicit Interval Timing in Reinforcement Learning Agents

• arxiv url: http://arxiv.org/abs/2608.16666v1
• Date: Mon, 17 Aug 2026 14:55:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.757836
• Title: Chronocooked: A Benchmark for Implicit Interval Timing in Reinforcement Learning Agents
• Title（参考訳）: Chronocooked:強化学習エージェントにおけるインシシトインターバルタイムのベンチマーク
• Abstract要約: Chronocookedは、RLエージェントの暗黙間隔タイミングを研究するための強化学習ベンチマークスイートである。 環境は故意に維持され、制御された実験を可能にし、生物学的に妥当なモデルをサポートする。
• 参考スコア（独自算出の注目度）: 4.398170461093707
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents Chronocooked, a reinforcement learning (RL) benchmark suite for studying implicit interval timing in RL agents. Inspired by Overcooked, the suite comprises cooking scenarios that require temporal decision making. The tasks and reward functions are designed such that temporal information is unobserved yet critical for optimal performance. The environment is intentionally kept simple to enable controlled experiments and support biologically plausible models. Evaluation metrics are designed to expose limitations in timing abilities of RL agents, and we report baselines using a non-recurrent, a recurrent, and a biologically plausible model. This work ultimately aims to underscore the need to incorporate time perception and temporal processing in artificial agents designed for human robot interaction and deployment in time dependent human societies.
• Abstract（参考訳）: 本稿では、RLエージェントの暗黙間隔時間を研究するための強化学習(RL)ベンチマークスイートであるChronocookedを提案する。 Overcookedにインスパイアされたこのスイートは、時間的意思決定を必要とする調理シナリオで構成されている。 タスクと報酬関数は、時間的情報が観測されず、最適性能に重要なように設計されている。 環境は故意に維持され、制御された実験を可能にし、生物学的に妥当なモデルをサポートする。 評価指標は,RLエージェントのタイミング特性の限界を明らかにするために設計され,非リカレント,リカレント,生物学的に妥当なモデルを用いてベースラインを報告する。 この研究は最終的に、人間のロボットのインタラクションと時間依存の人間社会への展開のために設計された人工エージェントに、時間知覚と時間的処理を組み込む必要性を浮き彫りにすることを目的としている。

関連論文リスト

• From Perception to Planning: Evolving Ego-Centric Task-Oriented Spatiotemporal Reasoning via Curriculum Learning [79.65573577667944]
  タスクベースの時間的推論を学習するためのカリキュラムベースのフレームワークであるEgoTSRを提案する。 EgoTSRは、明示的な空間的理解からタスク状態評価への進化を前提に構築されている。 実験により、EgoTSRはバイアスを効果的に排除し、長距離論理推論タスクにおいて92.4%の精度を達成した。
  論文  参考訳（メタデータ） (2026-04-12T08:14:49Z)
• When Should a Robot Think? Resource-Aware Reasoning via Reinforcement Learning for Embodied Robotic Decision-Making [68.12864562049957]
  身体ロボットシステムは、高レベルの推論をサポートするために、大規模言語モデル(LLM)ベースのエージェントにますます依存している。 エージェントはいつ、いつ、いつ行動すべきか? 本稿では,エンボディエージェントのリソース・アウェア・オーケストレーションのための階層的なフレームワークであるRARRL(Resource-Aware Reasoning via Reinforcement Learning)を提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:38:50Z)
• Agentic Spatio-Temporal Grounding via Collaborative Reasoning [80.83158605034465]
  時間的ビデオグラウンド(Temporal Video Grounding)は、テキストクエリが与えられたビデオ内の対象物または人の時間的チューブを検索することを目的としている。 本稿では,STVGの課題に対して,オープンワールドおよびトレーニングフリーシナリオに向けたエージェント時空間グラウンド(ASTG)フレームワークを提案する。 具体的には、現代多言語モデル(MLLM)を活用した2つの特殊エージェントSRA(Spatial Reasoning Agent)とTRA(Temporal Reasoning Agent)である。 人気のあるベンチマークの実験は、既存の弱教師付きおよびゼロショットアプローチをマージンで上回る提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2026-02-10T10:16:27Z)
• Timely Machine: Awareness of Time Makes Test-Time Scaling Agentic [72.97800570813175]
  ウォールタイムとしてテスト時間を再定義するTimely Machineを提案する。 我々は、高頻度ツールコール、低周波ツールコール、時間制約推論にまたがるベンチマークであるTimely-Evalを紹介する。 より小さなモデルでは、より多くのインタラクションを通じて高速なフィードバックが得られ、大きなモデルでは、より優れたインタラクション品質によって、高レイテンシ設定が支配される。
  論文  参考訳（メタデータ） (2026-01-23T06:28:52Z)
• Evaluating Few-Shot Temporal Reasoning of LLMs for Human Activity Prediction in Smart Environments [1.411614392022118]
  既存のデータ駆動エージェントベースのモデルは、低データ環境において苦労する。 本稿では,人間の知識に基づいて事前学習された大規模言語モデルがこのギャップを埋めるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-01-20T20:58:17Z)
• TS-Agent: A Time Series Reasoning Agent with Iterative Statistical Insight Gathering [16.95452463476229]
  大規模言語モデル(LLM)のための時系列推論エージェントTS-Agentを提案する。 時系列をテキストトークン、画像、埋め込みにマッピングする代わりに、我々のエージェントは原子演算子を介して生の数値列と相互作用する。 実験の結果,TS-Agent は理解ベンチマークの最先端 LLM に匹敵する性能を達成できた。
  論文  参考訳（メタデータ） (2025-10-08T18:31:53Z)
• STARec: An Efficient Agent Framework for Recommender Systems via Autonomous Deliberate Reasoning [54.28691219536054]
  我々は、自律的な熟考的推論機能を備えたレコメンデータシステムを支援する、ゆっくり考えられた拡張エージェントフレームワークSTARecを紹介する。 我々は,先進的推論モデルと嗜好整合型報酬形成から構造化知識の蒸留を組み合わせた2段階のパラダイムであるアンカー強化訓練を開発する。 MovieLens 1MとAmazon CDsベンチマークの実験では、STARecは最先端のベースラインと比較して、大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-08-26T08:47:58Z)
• Emergent time-keeping mechanisms in a deep reinforcement learning agent performing an interval timing task [4.398170461093707]
  時間的時間的タスクを実行する深層強化学習(DRL)エージェントの時間的処理について検討する。 体内状態の分析により、生物学的システムにおけるユビキタスパターンである神経活性化が明らかになった。 エージェントの時間維持戦略とストリアタルビート周波数(SBF)モデルとの並列性を持つ。
  論文  参考訳（メタデータ） (2025-08-06T13:56:41Z)
• TSFeatLIME: An Online User Study in Enhancing Explainability in Univariate Time Series Forecasting [1.9314780151274307]
  本稿では, TSLIMEを拡張したTSFeatLIMEというフレームワークを提案する。 TSFeatLIMEは補助的特徴をサロゲートモデルに統合し、クエリされた時系列と生成されたサンプルの間の一対のユークリッド距離を考察する。 その結果,TSFeatLIMEフレームワーク下でのサロゲートモデルは,距離を考慮したブラックボックスの挙動を,精度を犠牲にすることなくより良くシミュレートできることがわかった。
  論文  参考訳（メタデータ） (2024-09-24T10:24:53Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Reinforcement Learning with Temporal-Logic-Based Causal Diagrams [25.538860320318943]
  エージェントが時間的に拡張された目標を達成するための強化学習(RL)タスクのクラスについて検討する。 これらの機械は報酬関数をモデル化するが、環境に関する因果的知識を見落としてしまうことが多い。 環境の異なる特性間の時間的因果関係をキャプチャする,時間論理に基づく因果関係図(TL-CD)をRLで提案する。
  論文  参考訳（メタデータ） (2023-06-23T18:42:27Z)

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。