論文の概要: CEDAR: Automata as Verifiable Interfaces for Language-Guided Embodied Action
- arxiv url: http://arxiv.org/abs/2608.27797v1
- Date: Fri, 28 Aug 2026 00:25:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.171072
- Title: CEDAR: Automata as Verifiable Interfaces for Language-Guided Embodied Action
- Title（参考訳）: CEDAR: 言語誘導型身体動作のための検証可能なインターフェースとしてのオートマタ
- Abstract要約: CEDARは環境イベントトレース上の正規言語として命令を基盤とするフレームワークである。
Minecraftでは、プログラム生成ベースラインに同じシミュレータ/API観測が利用可能であり、CEDARは時間的および空間的制約を維持している。
これらの結果は,正規言語が自然言語命令と具体的エージェントポリシーの間に実践的な検証層を提供することを示している。
- 参考スコア（独自算出の注目度）: 10.197044775138883
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Natural-language tasking of embodied agents is rarely just goal specification: users also impose constraints that must persist while the world changes. Code-generating LLM agents can produce plausible behaviors for such instructions, but their free-form programs provide no stable object to verify, compose with new constraints, or repair from a failing trace. We present CEDAR, a counterexample-guided framework that grounds instructions as regular languages over environment event traces. CEDAR uses a language model for semantic judgments and execution traces for correction, then represents both skills and specifications as deterministic finite automata. This turns constraints into executable finite-state objects: a learned skill can be intersected with a learned sleep at night or stay in this biome specification, yielding a controller that enforces the learned constraint by construction rather than by repeated prompting. In Minecraft, with the same simulator/API observations available to a program-generating baseline, CEDAR maintains temporal and spatial constraints that the baseline fails to preserve and amortizes reuse of learned skills, reducing cumulative LLM queries. These results suggest that regular languages offer a practical verification layer between natural-language instructions and embodied-agent policies.
- Abstract（参考訳）: 具体的エージェントの自然言語タスクは、ただの目標仕様であり、ユーザは、世界が変化している間に持続しなければならない制約も課す。
コード生成LDMエージェントは、そのような命令に対して妥当な振る舞いを生成することができるが、そのフリーフォームプログラムは、新しい制約で検証、構成したり、失敗したトレースから修復したりするための安定したオブジェクトを提供しない。
CEDARは,環境イベントトレース上の正規言語として命令を基盤とする,逆例誘導型フレームワークである。
CEDARは、言語モデルを用いて意味判断と実行トレースを補正し、その後、スキルと仕様の両方を決定論的有限オートマトンとして表現する。
これは制約を実行可能な有限状態オブジェクトに変換する: 学習したスキルは夜間に学習した睡眠と交差したり、このバイオム仕様に留まり、繰り返しプロンプトするよりも建設によって学習された制約を強制するコントローラを生成することができる。
Minecraftでは、プログラム生成ベースラインに同じシミュレータ/API観測が利用可能であり、CEDARは、ベースラインが学習スキルの再利用を維持・改善できないという時間的および空間的制約を維持し、累積LDMクエリを削減している。
これらの結果は,正規言語が自然言語命令と具体的エージェントポリシーの間に実践的な検証層を提供することを示している。
関連論文リスト
- Weave of Formal Thought [51.56484100374058]
WoFT(Weave of Formal Thought)は、厳密な構文的検証と学習された構造的表現を結合したパラダイムである。
本稿では,非終端文法記号を直接生成にインターリーブするために,言語モデルを訓練する潜時可変微調整法を提案する。
Pythonでは、RWS目的のStarCoder2-3Bを微調整することで、テキストのみのSFTベースラインと比較して、トーケン毎のクロスエントロピーが14.3%削減される。
論文 参考訳（メタデータ） (2026-06-24T15:58:11Z) - Evaluating LLM Personalization via Semantic Constraint Verification [25.539904066738288]
自然言語推論制約検証(NLICV)を導入する。
NLICVは文の意味を真理条件集合にマッピングし、自然言語推論(NLI)モデルを介してパーソナライズ制約を検証する。
実験によると、NLICVは人間のアノテーションと密接に一致し、LLMの審査員によるレイテンシとトークンコストを大幅に削減している。
論文 参考訳（メタデータ） (2026-06-15T08:04:56Z) - ReasonSTL: Bridging Natural Language and Signal Temporal Logic via Tool-Augmented Process-Rewarded Learning [5.961092142323502]
textscReasonSTLは、自然言語からSTL生成にローカルのオープンソース言語モデルを適用するツール拡張フレームワークである。
textscReasonSTLは、翻訳プロセスを明示的な推論、決定論的ツール呼び出し、構造化された公式構成に分解する。
実験により、textscReasonSTLでトレーニングされた4Bモデルは、自動測定と人的評価の両方で最先端のパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2026-05-07T16:07:30Z) - Learning and Enforcing Context-Sensitive Control for LLMs [48.58004364546273]
本稿では,大規模言語モデルの相互作用から文脈依存制約を自動的に学習するフレームワークを提案する。
実験により,本手法は,LLM (1Bパラメータ) の学習と生成を完全制約付きで行うことができることを示した。
論文 参考訳（メタデータ） (2026-04-12T14:50:03Z) - From LLMs to Actions: Latent Codes as Bridges in Hierarchical Robot Control [58.72492647570062]
我々は,制限を克服する代替アーキテクチャとして,Learningable Latent Codes as Bridges (LCB)を導入した。
methodoutperforms baselines that leverage pure language as the interface layer on tasks that requires reasoning and multi-step behaviors。
論文 参考訳（メタデータ） (2024-05-08T04:14:06Z) - From Instructions to Constraints: Language Model Alignment with
Automatic Constraint Verification [70.08146540745877]
NLPタスクの共通制約を調査し、それらの引数の型に基づいて、それらを3つのクラスに分類する。
本稿では,ACT(ConsTraintsのアラインメント)という統合フレームワークを提案し,制約に適応したユーザアライメントのための監視信号を自動的に生成する。
論文 参考訳（メタデータ） (2024-03-10T22:14:54Z) - Integrating LLMs and Decision Transformers for Language Grounded
Generative Quality-Diversity [0.0]
品質多様性(Quality-Diversity)は最適化の一分野であり、強化学習と制御ドメインの問題によく適用される。
本稿では,レパートリーをトラジェクトリの自然言語記述で拡張する大規模言語モデルを提案する。
また、このような生成エージェントの性能を評価するためのLCMベースのアプローチを提案する。
論文 参考訳（メタデータ） (2023-08-25T10:00:06Z) - Measuring and Mitigating Constraint Violations of In-Context Learning
for Utterance-to-API Semantic Parsing [15.957744324299869]
本研究では,タスク指向のセマンティック解析における制約違反を計測,解析,緩和する。
SRD(Semantic-Retrieval of Demonstrations)とAPI-Aware Constrained Decoding(API-CD)の2つの緩和戦略について検討する。
実験の結果、これらの戦略は、制約違反の低減と、生成されたAPI呼び出しの品質向上に有効であるが、実装の複雑さとレイテンシを考慮すると、慎重に検討する必要があることがわかった。
論文 参考訳（メタデータ） (2023-05-24T16:50:36Z) - Controlled Text Generation with Natural Language Instructions [74.88938055638636]
InstructCTGは、異なる制約を含む制御されたテキスト生成フレームワークである。
まず、既製のNLPツールと単純な動詞の組み合わせにより、自然文の基本的制約を抽出する。
制約の自然言語記述といくつかの実演を予測することにより、様々な種類の制約を組み込むために、事前訓練された言語モデルを微調整する。
論文 参考訳（メタデータ） (2023-04-27T15:56:34Z) - Augmented Language Models: a Survey [55.965967655575454]
この調査は、言語モデル(LM)が推論スキルとツールの使用能力で強化されているかのレビューを行う。
私たちはこれらをAugmented Language Models (ALMs)と呼ぶ。
トークンの目的の欠如により、ALMは標準的な自然言語タスクを実行しながら、推論、ツールの使用、さらには行動を学ぶことができる。
論文 参考訳（メタデータ） (2023-02-15T18:25:52Z)
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。