論文の概要: What Is Worth Representing? Representational Empowerment for Continual Model Construction
- arxiv url: http://arxiv.org/abs/2609.02322v1
- Date: Wed, 02 Sep 2026 09:05:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.210051
- Title: What Is Worth Representing? Representational Empowerment for Continual Model Construction
- Title（参考訳）: 価値とは何か? 連続モデル構築のための表現力
- Abstract要約: 提案するRepEmp(Representational Empowerment, RepEmp)は, エージェントの将来能力がモデルや計画にどの程度拡張されるかによって, 候補要素をスコアリングする。
このフレームワークは階層型Curator-Actorアーキテクチャとして実現し、3つの実験でテストする。
- 参考スコア（独自算出の注目度）: 2.184419106993377
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The first problem of modeling the world is not just estimating the right parameters or causal structure, but deciding what should be represented at all. We frame this problem as continual model construction: an agent maintains an environment-specific model M of an inaccessible world W and curates a persistent library L of reusable representational elements across environments. We propose Representational Empowerment (RepEmp) to score candidate elements by how much they expand the agent's future capacity to model and plan, complementing the classic definition of empowerment, but redefined as control over internal representations instead of external states. We realize the framework as a hierarchical Curator-Actor architecture and test it across three experiments. In a closed-vocabulary causal-learning task, human participants construct causal models at varying abstraction granularities to maximize goal reachability rather than fidelity to the world, a signature better predicted by RepEmp than by information-gain alternatives. Matched simulations reveal that RepEmp-guided construction contributes more than exploration to sufficient structure recovery and cross-task transfer. Finally, in an open-vocabulary planning domain, an LLM-augmented Curator builds more compact symbolic libraries, which also generalize better than baselines. Ablating RepEmp eliminates these benefits. Together, these results identify RepEmp as a key principle for continual model construction: deciding what to build, retain, and reuse under bounded resources.
- Abstract（参考訳）: 世界モデリングの第一の問題は、適切なパラメータや因果構造を推定するだけでなく、何を表現するべきかを決定することである。
エージェントは、アクセシブルワールドWの環境特化モデルMを維持し、環境全体にわたる再利用可能な表現要素の永続ライブラリLをキュレートする。
提案するRepEmp(Representational Empowerment, RepEmp)は, エージェントの将来能力をモデルと計画にどの程度拡張し, 従来のエンパワーメントの定義を補完するが, 外部状態ではなく内部表現の制御として再定義される。
このフレームワークは階層型Curator-Actorアーキテクチャとして実現し、3つの実験でテストする。
クローズド語彙の因果学習タスクでは、人間の参加者は、情報ゲインの代替手段よりもRepEmpによって予測されたサインである、世界への忠実さよりもゴール到達性を最大化するために、様々な抽象的な粒度で因果モデルを構築する。
一致したシミュレーションにより、RepEmp誘導構造は十分な構造回復とクロスタスク移動に探索以上の貢献をすることが明らかとなった。
最後に、オープン語彙計画領域において、LLM拡張キュレーターはよりコンパクトなシンボルライブラリを構築し、ベースラインよりも一般化する。
RepEmpの非難は、これらのメリットを排除します。
これらの結果は、RepEmpを連続的なモデル構築の鍵となる原則として認識している。
関連論文リスト
- Agentic AI and Retrieval-Augmented Models in Straight-Through Underwriting [7.670757733138505]
アクチュアリーは現在、従来のルールベースの自動化から大規模言語モデルまで、幅広い設計領域に直面しています。
本稿では,これらの新しいアーキテクチャが,透明性や監査可能性,ループ内ガバナンスなど,アクチュアリな優先事項をどのようにサポートするかを検討する。
論文 参考訳（メタデータ） (2026-07-08T18:43:34Z) - Rethinking Foundation Model Collaboration: Enhancing Specialized Models through Proxy Task Reasoning [14.610059982650426]
基礎モデルに拡張されたタスク固有推論フレームワークであるFATを提案する。
FATは構造化予測を専門的な予測、情報空間再構成、基礎モデルプロキシ推論に分解する。
我々はこの原理を視覚言語モデルを用いてProxySelectとしてインスタンス化する。
論文 参考訳（メタデータ） (2026-06-30T05:35:18Z) - MoRe: Modular Representations for Principled Continual Representation Learning on Sequential Data [17.462860448981953]
継続的な学習は、以前に取得した知識を保持しながら、新しいデータに適応するモデルを必要とする。
既存のアプローチでは、モデルパラメータやアーキテクチャを教師付きタスク固有の方法で変更することで、この問題に対処しています。
アーキテクチャレベルで割り当てるのではなく,表現自体のモジュラリティを識別するフレームワークであるMoReを提案する。
論文 参考訳（メタデータ） (2026-05-14T04:46:54Z) - PRISM: : Planning and Reasoning with Intent in Simulated Embodied Environments [59.07829883257003]
5つの集合住宅の上に建設され、PRISMは300の人間認証タスクを3つの能力レベルに構成する。
PRISMはエージェントに依存しない実行可能なアクションAPIを公開し、任意のエージェントをエンドツーエンドで評価できるようにする。
論文 参考訳（メタデータ） (2026-05-12T04:59:47Z) - OOWM: Structuring Embodied Reasoning and Planning via Object-Oriented Programmatic World Modeling [62.3458279176813]
ソフトウェア工学のフォーマリズムのレンズを通して推論を具体化する新しいフレームワークであるオブジェクト指向世界モデリング(OOWM)を提案する。
OOWMはクラスダイアグラムを使用して、厳密なオブジェクト階層に視覚的知覚を基盤とし、アクティビティダイアグラムを使用して、計画を実行可能な制御フローに運用する。
論文 参考訳（メタデータ） (2026-02-25T16:01:07Z) - RECALL: REpresentation-aligned Catastrophic-forgetting ALLeviation via Hierarchical Model Merging [33.22889542330089]
大規模言語モデル(LLM)の内部表現は、学習知識の信頼できるプロキシとして機能する。
本稿では,過去データにアクセスせずに連続的な学習を行うための表現認識モデル統合フレームワークRECALLを提案する。
論文 参考訳（メタデータ） (2025-10-23T12:17:37Z) - VAGEN: Reinforcing World Model Reasoning for Multi-Turn VLM Agents [130.70999337445468]
言語モデル(LLM)エージェントと比較して、視覚言語モデル(VLM)エージェントを訓練する際の重要な課題は、テキスト状態から複雑な視覚観察に移行することである。
VLMエージェントは、明示的な視覚状態推論によって内部世界モデルを構築することができるか?
我々は、強化学習(RL)を通して、エージェントの推論プロセスを建築的に実施し、報奨する。
エージェントの状態推定と遷移モデリングへの推論が成功に不可欠であることが分かりました。
論文 参考訳（メタデータ） (2025-10-19T16:05:07Z) - CIR-CoT: Towards Interpretable Composed Image Retrieval via End-to-End Chain-of-Thought Reasoning [93.05917922306196]
Composed Image Retrieval (CIR) は、参照画像と修正テキストから対象画像を見つけることを目的としている。
CIR-CoTは、明示的なChain-of-Thought (CoT)推論を統合するために設計された最初のエンドツーエンド検索指向MLLMである。
論文 参考訳（メタデータ） (2025-10-09T09:41:45Z) - The Landscape of Agentic Reinforcement Learning for LLMs: A Survey [103.32591749156416]
エージェント強化学習(Agentic RL)の出現は、大規模言語モデル(LLM RL)に適用された従来の強化学習からパラダイムシフトを示している。
本研究では, LLM-RLの縮退した単段階マルコフ決定過程(MDPs)と, エージェントRLを定義する部分可観測マルコフ決定過程(POMDPs)とを対比することにより, この概念シフトを定式化する。
論文 参考訳（メタデータ） (2025-09-02T17:46:26Z) - APT: Architectural Planning and Text-to-Blueprint Construction Using Large Language Models for Open-World Agents [8.479128275067742]
本稿では,自律型エージェントによるMinecraftの複雑な構造構築を可能にする,LLM(Large Language Model)駆動のフレームワークを提案する。
連鎖分解とマルチモーダル入力を用いることで、このフレームワークは詳細なアーキテクチャレイアウトと青写真を生成する。
本エージェントは, メモリとリフレクションモジュールの両方を組み込んで, 生涯学習, 適応的洗練, エラー訂正を容易にする。
論文 参考訳（メタデータ） (2024-11-26T09:31:28Z) - Universal In-Context Approximation By Prompting Fully Recurrent Models [86.61942787684272]
RNN,LSTM,GRU,Linear RNN,Linear RNN,Line gated Architecturesは,汎用のインコンテキスト近似器として機能することを示す。
完全反復アーキテクチャにコンパイルするLSRLというプログラミング言語を導入する。
論文 参考訳（メタデータ） (2024-06-03T15:25:13Z)
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。