論文の概要: CaSKG: Counterfactual-Causal Skill Graphs for Scalable Agent Skill Retrieval

• arxiv url: http://arxiv.org/abs/2608.25500v1
• Date: Wed, 26 Aug 2026 08:12:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.667588
• Title: CaSKG: Counterfactual-Causal Skill Graphs for Scalable Agent Skill Retrieval
• Title（参考訳）: CaSKG: スケーラブルエージェントスキル検索のためのカソーサルスキルグラフ
• Abstract要約: CaSKGは、検索前に手続き関係を校正するスキルグラフフレームワークである。 モデルとベンチマークの12つの組み合わせの中で、最も高いタスクスコアを達成します。
• 参考スコア（独自算出の注目度）: 20.44841712209369
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reusable skill libraries allow large language model (LLM) agents to reuse procedural knowledge across tasks, but they also turn memory access into a challenging retrieval problem. Full-library prompting preserves coverage at high context cost, vector retrieval returns compact neighborhoods but treats skills as independent text, and graph-based retrieval can recover workflow context only when the edges that carry relevance are reliable. We propose CaSKG, a counterfactual-causal skill graph framework that calibrates procedural relations before retrieval. CaSKG first builds a high-recall directed candidate graph from semantic, lexical, input/output, and structural evidence, with repair evidence and an optional LLM judge further refining candidate scores. It then applies direction-conditioned textual counterfactual probes that remove, substitute, and reorder skill pairs, aggregates the evidence with Bayesian smoothing, and publishes a state-filtered weighted graph for task-conditioned expansion. The graph is constructed offline and used without changing the downstream agent policy or task interface. Across six LLM backbones on ALFWorld ID-140 and ScienceWorld U211, CaSKG achieves the highest task score in all twelve combinations of model and benchmark. Relative to Graph-of-Skills (GoS), it improves the six-model macro-average ScienceWorld score from 72.62 to 80.50 and ALFWorld success from 80.01\% to 86.79\%, while reducing mean environment steps on both benchmarks. Qualitative and ablation analyses further show that calibrated edges help retrieval preserve prerequisites, state-changing actions, verification routines, and final completion steps. These results position edge-confidence calibration as an effective route to compact and executable skill retrieval at scale\footnote{Code is available at: https://github.com/ZhiyuanLi218/Caskg }.
• Abstract（参考訳）: 再利用可能なスキルライブラリでは、大きな言語モデル(LLM)エージェントがタスク間の手続き的知識を再利用できるが、メモリアクセスを困難な検索問題にすることも可能である。 完全ライブラリのプロンプトは、高いコンテキストコストでカバレッジを保存し、ベクトル検索はコンパクトな地区を返却するが、スキルを独立したテキストとして扱う。 提案するCaSKGは,検索前に手続き関係を校正する対物因果的スキルグラフフレームワークである。 CaSKGはまず、意味、語彙、入出力、構造的エビデンスからハイリコール指向の候補グラフを構築し、修復証拠とオプションのLCM判定器により候補スコアをさらに精査する。 次に、方向条件付きテキスト反事実プローブを適用して、スキルペアを除去し、置換し、再注文し、ベイズスムースメントで証拠を集約し、タスク条件付き拡張のための状態フィルター付き重み付きグラフを発行する。 グラフはオフラインで構築され、ダウンストリームエージェントポリシーやタスクインターフェースを変更することなく使用される。 ALFWorld ID-140とScienceWorld U211の6つのLCMバックボーンにまたがって、CaSKGはモデルとベンチマークの12つの組み合わせの中で最も高いタスクスコアを達成している。 グラフ・オブ・スキル(GoS)とは対照的に、6モデル平均のScienceWorldスコアは72.62から80.50に改善され、ALFWorldは80.01\%から86.79\%に改善された。 定性的およびアブレーション分析により、校正されたエッジは、前提条件、状態変化行動、検証ルーチン、最終完了ステップの保存に役立つことが示された。 これらの結果は、Scale\footnote{Codeでコンパクトで実行可能なスキル検索に有効なルートとしてエッジ信頼度キャリブレーション(edge-confidence calibration)を配置する。

関連論文リスト

• Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems [67.04448659688579]
  クエリ非依存の16エントリのコードブックを開発し、上位のデコード候補を1回のバッチフォワードパスでランク付けする。 反復検索がなく、テスト時にメッセージパッシングがないため、Codebook Agentは6つのベンチマークでもっとも正確な方法である。
  論文  参考訳（メタデータ） (2026-09-02T08:10:22Z)
• SkillConsist: Detecting Inconsistencies in Agent Skills via Bidirectional Graph Alignment [8.140228855572433]
  エージェントスキルの不整合は、未公表の危険な行動を公開するか、間違ったスキル選択を引き起こす。 最近のエージェントスキル研究は、エージェントスキル一貫性の検出をますます調査している。 両課題に対処するため,SkillConsistを提示する。
  論文  参考訳（メタデータ） (2026-08-07T16:04:21Z)
• A corrective agentic hybrid RAG and an operations-grounded evaluation for a scientific facility [0.0]
  APS-RAG(Advanced Photon Source Retrieval Augmented Generation)を提案する。 検索エンジンは、密度、スパース、知識グラフチャネルをクエリ型適応逆数融合で融合する。 APS-Benchは50問の質問応答(QA)データセットで、監査可能な金の回答を提供する。
  論文  参考訳（メタデータ） (2026-07-27T17:01:30Z)
• SEGRA: Structured Experience-Guided Graph Reasoning Agent for Gremlin Based Question Answering [1.4924423820656074]
  テキスト・トゥ・グレムリン質問応答のための体験誘導エージェントSEGRAを紹介する。 企業ITサポートのベンチマークでは、SEGRAはバックボーンのみのチェーン・オブ・シークレットのプロンプトよりも平均判断スコアが7.0倍高い。
  論文  参考訳（メタデータ） (2026-07-21T03:22:40Z)
• SkillDAG: Self-Evolving Typed Skill Graphs for LLM Skill Selection at Scale [54.70985426016736]
  本稿では,スキル間関係を型付き有向グラフとしてモデル化したSkillDAGを提案する。 各検索はベクトルマッチング、型付きエッジ隣人、競合信号を返す。 ALFWorldとSkillsBench with MiniMax-M2.7では、SkillDAGは67.1%の成功と27.3%の報酬を得た。
  論文  参考訳（メタデータ） (2026-06-02T02:45:21Z)
• SkillGraph: Skill-Augmented Reinforcement Learning for Agents via Evolving Skill Graphs [70.1970574147839]
  有向グラフのノードとして再利用可能なスキルを表現するフレームワークであるSKILLGRAPHを提案する。 SKILLGRAPHは個々のスキルだけでなく、多段階意思決定をガイドできる順序付きスキルサブグラフも取得する。 実験により,SKILLGRAPHはメモリ拡張RL法に対して最先端の性能を実現することが示された。
  論文  参考訳（メタデータ） (2026-05-12T12:21:49Z)
• LARGER: Lexically Anchored Repository Graph Exploration and Retrieval [9.90137784523552]
  リポジトリレベルのコーディングエージェントは、まずタスクに関連するファイルとシンボルをローカライズする必要がある。 既存のアプローチでは、エージェントのインタラクションループを断片化する別々のグラフツールやステージが必要になることが多い。 LARGER(Lexically anchored active-set search framework)は、語彙マッチングから始まり、それらをグラフアンカーにアライメントし、エージェントの既存のサーチループ内で信頼フィルタリングされた局所展開を実行する。
  論文  参考訳（メタデータ） (2026-05-08T05:03:46Z)
• Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
  グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。 4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
  論文  参考訳（メタデータ） (2026-01-23T05:41:05Z)
• Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs [62.544129365882014]
  本稿では,SIT-Graph というグラフ学習用セミ教師付きインストラクションチューニングパイプラインを提案する。 SIT-Graphはモデルに依存しず、LSMを予測子として利用するグラフ命令チューニングメソッドにシームレスに統合することができる。 SIT-Graphは、最先端グラフチューニング手法に組み込むと、テキスト分散グラフベンチマークの性能を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-01-19T08:10:53Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• Search-on-Graph: Iterative Informed Navigation for Large Language Model Reasoning on Knowledge Graphs [26.0585592684229]
  大規模言語モデル(LLM)は、知識集約型マルチホップ質問では信頼性が保たれていない印象的な推論能力を示している。 本稿では,LLMの反復的なグラフナビゲーションを実現するための,シンプルかつ効果的なフレームワークである検索オングラフ(SoG)を提案する。 Wikidataベンチマーク(以前のベストメソッドよりも+16%改善)とFreebaseベンチマークの一貫性のある改善は特に顕著です。
  論文  参考訳（メタデータ） (2025-10-09T21:20:16Z)
• Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
  大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。 既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。 我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-25T06:48:52Z)
• Self-Adaptive Label Augmentation for Semi-supervised Few-shot Classification [121.63992191386502]
  Few-shotの分類は、ラベル付きサンプルがわずかにあれば、新しいタスクをうまく一般化できるモデルを学ぶことを目的としている。 そこで本研究では,手動で定義した指標を用いて,ラベルのない各サンプルに適切なラベルを割り当てる半教師付き小ショット分類手法を提案する。 SALAの目新しいところは、タスク適応計量であり、エンドツーエンドの方法で異なるタスクに対するメトリックを適応的に学習することができる。
  論文  参考訳（メタデータ） (2022-06-16T13:14:03Z)

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。