論文の概要: Procedural Graphs: Self-Evolving Execution Structures for LLM Agents
- arxiv url: http://arxiv.org/abs/2609.09153v1
- Date: Tue, 08 Sep 2026 17:59:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.728169
- Title: Procedural Graphs: Self-Evolving Execution Structures for LLM Agents
- Title（参考訳）: 手続き型グラフ: LLM エージェントのための自己進化型実行構造
- Authors: Yuxing Lu, Yicheng Chen, Shanchan Wu, Sercan Ö. Arık,
- Abstract要約: 手続きグラフ(Procedural Graph)は、手続き的知識を、何を問うかのトリプル(手続き、関係、手続き)に整理する。
各決定ステップにおいて、フレームワークはエージェントのアクティブノードをローカライズし、ガイダンスモデルは周辺のサブグラフをステップレベルの状況ガイダンスに変換する。
LLM精製器は失敗した軌跡と成功した軌跡を対比し、グラフの位相と属性を編集する。
- 参考スコア（独自算出の注目度）: 11.810729293911622
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models are increasingly deployed as agents that plan over long horizons and act through external tools. Most agents select actions through unconstrained generation over an accumulating history, leaving implicit the procedural knowledge of what to do, in what order, and under which conditions. As trajectories lengthen, agents can lose track of their objectives, invoke tools out of order, and repeat unproductive actions. We introduce the Procedural Graph: just as a knowledge graph organizes factual knowledge into (entity, relation, entity) triplets for what-is questions, a Procedural Graph organizes procedural knowledge into (procedure, relation, procedure) triplets for what-to-do questions. At each decision step, the framework localizes the agent's active node, and a guidance model translates the surrounding subgraph into step-level situational guidance that biases the solver's next action without dictating it. The graph is self-evolving: an LLM refiner contrasts failed trajectories with successful ones and edits the graph's topology and attributes, committing edits that preserve or improve held-out validation performance while retaining rejected ones to discourage repetition. Starting from a minimal skeleton, the loop builds graphs that match or surpass hand-designed ones. It can also repair a flawed expert prior. Across multiple datasets, task types, and LLMs, the Procedural Graph delivers consistent gains over memory-based baselines, and self-evolution further improves performance without manual engineering.
- Abstract（参考訳）: 大規模な言語モデルは、長期にわたって計画し、外部ツールを通じて機能するエージェントとして、ますます多くデプロイされている。
ほとんどのエージェントは、蓄積された歴史の制約のない世代を通して行動を選択し、何をすべきか、どの順序で、どの条件の下で、手続き的な知識を暗黙に残す。
トラジェクトリが長引くにつれて、エージェントは目的の追跡を失い、ツールを順番に呼び出すことができ、非生産的な行動を繰り返すことができる。
手続きグラフ(Procedural Graph)は、知識グラフが事実的知識を、何の質問に対して(関心、関係、実体)三つ組に整理するのと同じように、手続き的知識を、何の質問に対して(目的、関係、手続き)三つ組に整理する。
各決定ステップにおいて、フレームワークはエージェントのアクティブノードをローカライズし、ガイダンスモデルは、周囲のサブグラフをステップレベルの状況ガイダンスに変換し、解決者の次のアクションを判断せずにバイアスする。
LLMリファインダは失敗したトラジェクトリと成功したトラジェクトリを対比し、グラフのトポロジと属性を編集する。
最小限のスケルトンから始まるこのループは、手作りのものと一致するか、あるいは超えるグラフを構築する。
また、欠陥のある専門家を事前に修復することもできる。
複数のデータセット、タスクタイプ、LLMにまたがって、Procedural Graphはメモリベースのベースラインよりも一貫したゲインを提供し、セルフ進化は手動エンジニアリングなしでパフォーマンスをさらに向上させる。
関連論文リスト
- Inference-Time Graph Engineering for Multi-Agent LLM Workflows [51.56038180639833]
ReActNetは、クエリとロール特化エージェントのセットを一連の有向通信グラフにコンパイルする、トレーニング不要のフレームワークである。
ReActNetは、競争的推論コストを維持しつつ、固定トポロジと学習トポロジのベースラインを一貫して改善することを示す。
論文 参考訳（メタデータ） (2026-09-04T23:32:11Z) - Graph-Based Agentic AI with LangGraph: Workflow Pathways for Long-Running Stateful Business Processes [0.0]
タイプされた状態、条件付きルーティング、決定論的ツール、再試行、割り込み、チェックポイント、トレースがどのように適合するかを示すために、実行可能なレシピを3つ提示する。
LangGraphはワークフローの複雑さに適合する位置にあり、普遍的なデフォルトではない。
論文 参考訳（メタデータ） (2026-07-21T17:07:13Z) - Experience Memory Graph: One-Shot Error Correction for Agents [9.23684438376937]
大規模言語モデル(LLM)エージェントは、エラーを複雑にし、障害から回復するのに苦労する。
既存の自己補正機構は本質的に不安定なプロンプトベースの反射に依存している。
本稿では,エージェント障害回復をグラフマッチング問題として再構成するフレームワークであるExperience Memory Graph (EMG)を提案する。
論文 参考訳（メタデータ） (2026-07-15T14:33:15Z) - Atomic Task Graph: A Unified Framework for Agentic Planning and Execution [13.978062792065215]
Atomic Task Graph (ATG) は、計画と実行のための統一された制御フレームワークである。
ATGは依存関係を公開するための明示的なグラフを維持し、再利用をサポートする。
ATGは、成功率と実行効率の強いベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-07-02T09:34:20Z) - GraphWalk: Enabling Reasoning in Large Language Models through Tool-Based Graph Navigation [0.2999888908665658]
問題に依存しない、トレーニング不要な、ツールベースのフレームワークであるGraphWalkを紹介します。
我々は、GraphWalkを組み込んだモデルが、これらの操作を正しい多段階推論チェーンに構成できるかどうかを評価する。
論文 参考訳（メタデータ） (2026-04-02T04:43:01Z) - 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) - GraphRunner: A Multi-Stage Framework for Efficient and Accurate Graph-Based Retrieval [3.792463570467098]
GraphRunnerは、新しいグラフベースの検索フレームワークで、計画、検証、実行の3つの異なる段階で動作する。
推論エラーを著しく低減し、実行前に幻覚を検出する。
GRBenchデータセットによる評価は、GraphRunnerが既存のアプローチを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2025-07-11T18:10:01Z) - Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。
Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。
本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
論文 参考訳（メタデータ） (2025-05-22T05:15:27Z) - Plan-over-Graph: Towards Parallelable LLM Agent Schedule [53.834646147919436]
大規模言語モデル(LLM)はタスク計画の推論において例外的な能力を示した。
本稿では,まず実生活のテキストタスクを実行可能なサブタスクに分解し,抽象的なタスクグラフを構築する,新しいパラダイムであるプランオーバーグラフを提案する。
モデルはこのタスクグラフを入力として理解し、並列実行計画を生成する。
論文 参考訳（メタデータ） (2025-02-20T13:47:51Z) - Can Graph Learning Improve Planning in LLM-based Agents? [61.47027387839096]
言語エージェントにおけるタスクプランニングは、大規模言語モデル(LLM)の開発とともに重要な研究トピックとして浮上している。
本稿では,課題計画のためのグラフ学習に基づく手法について検討する。
我々のグラフ学習への関心は、注意のバイアスと自己回帰的損失が、グラフ上の意思決定を効果的にナビゲートするLLMの能力を妨げているという理論的な発見に起因している。
論文 参考訳（メタデータ） (2024-05-29T14:26:24Z)
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。