論文の概要: Neuro-Symbolic Computer Use: Learning Reusable Policies for Reliable and Efficient Execution

• arxiv url: http://arxiv.org/abs/2609.36927v1
• Date: Tue, 29 Sep 2026 07:44:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.28987
• Title: Neuro-Symbolic Computer Use: Learning Reusable Policies for Reliable and Efficient Execution
• Title（参考訳）: ニューロ・シンボリック・コンピュータ・ユース : 信頼性と効率的な実行のための再利用可能な政策の学習
• Abstract要約: 現在のコンピュータ利用エージェントは、実行中のすべてのステップを再計画する。 本稿では,各実行時にエージェントによって再抽出されるのではなく,学習方針によって繰り返しワークフローが実行されるニューロシンボリック・コンピュータ・ユースを紹介する。 1つのエージェントの軌道から始まり、ポリシーを実行し、タスク補完とステップレベルの判断で障害を診断し、エージェントの失敗点からの継続によって通知されるコーディングモデルでコードを修正する。
• 参考スコア（独自算出の注目度）: 39.215652256489875
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many computer tasks recur: the same workflow runs many times, with new inputs and from different starting states. Current computer-use agents re-plan every step of every run, which makes them costly and unreliable on such tasks. We introduce neuro-symbolic computer use, in which a recurring workflow is executed by a learned policy rather than re-derived by an agent on each run. The policy fixes the decisions that are stable across runs (ordering, variables, loops, and branches) in executable code, and delegates observation-dependent decisions, such as grounding and state checks, to neural models. We learn these policies with neuro-symbolic policy iteration: starting from one agent trajectory, it executes the policy, diagnoses failures with task-completion and step-level judges, and revises the code with a coding model informed by an agent's continuation from the point of failure, without access to the benchmark evaluator. Iterating on generated parameter and initial-state variants makes the policy reusable, and a pre-action verifier guards each state-mutating step at deployment. On OSWorld-Verified and ScienceBoard, the learned policies achieve the highest Pass^3 of all methods in all four settings, 3.6-15.8 points above the base agent, while cutting per-run cost by 15-217$\times$ and latency by 3.4-5.1$\times$. On OSWorld-Verified, policies built only on variants transfer to the held-out original tasks, exceeding AutoRPA by 8.6-17.5 points in Pass^3.
• Abstract（参考訳）: 多くのコンピュータタスクが再帰する: 同じワークフローは、新しい入力と異なる開始状態によって、何度も実行される。 現在のコンピュータ利用エージェントは、実行中のすべてのステップを再計画する。 本稿では,各実行時にエージェントによって再抽出されるのではなく,学習方針によって繰り返しワークフローが実行されるニューロシンボリック・コンピュータ・ユースを紹介する。 ポリシーは実行可能コードの実行(順序、変数、ループ、ブランチ)で安定な決定を修正し、グラウンドや状態チェックなどの観察に依存した決定をニューラルモデルに委譲する。 1つのエージェントの軌道から、ポリシーを実行し、タスク補完とステップレベルの判断で失敗を診断し、ベンチマーク評価装置にアクセスせずに、エージェントの継続によって通知されるコーディングモデルでコードを修正する。 生成されたパラメータと初期状態の変種を反復することでポリシーを再利用でき、プリアクション検証器は各状態変更ステップをデプロイ時にガードする。 OSWorld-VerifiedとScienceBoardでは、学習されたポリシーは、すべての4つのメソッドの最高パス^3、ベースエージェントの3.6-15.8ポイント、ラン当たりのコストを15-217$\times$、レイテンシを3.4-5.1$\times$に削減した。 OSWorld-Verifiedでは、変種のみに基づいて構築されたポリシーは、Pass^3においてAutoRPAを8.6-17.5ポイント上回る元のタスクに転送される。

関連論文リスト

• STAGE: Stateful Translation to Agentic Graph Execution with Policy-Scoped Context and Deterministic Control [0.29360071145551064]
  本稿では、決定論的コードに手続き制御を配置しつつ、ポリシースコープノードにモデル判断を限定するフレームワークSTAGEを提案する。 3つの公開ポリシーフォローベンチマークと、プロプライエタリなバンキングベンチマークであるSmart Disputeについて、STAGEを評価した。
  論文  参考訳（メタデータ） (2026-08-23T18:17:09Z)
• Permission Denied: Policy-Graded Evaluation of Coding Agents in Hardened Environments [0.0]
  実世界の一般的な企業規制から派生したネストされたセキュリティポリシーレベルに対して、ターミナルベンチ2.1上の12のコーディングエージェントを評価した。 我々は、政策が行動を妨げるときにエージェントがどのように振る舞うかを特徴付け、障害のハードニングを分解する。 コーディングエージェントのポリシー制約付き評価を可能にするオープンソースのハードニングプラグインであるBoundary-Benchをリリースする。
  論文  参考訳（メタデータ） (2026-08-02T14:26:12Z)
• Can Generalist Agents Automate Data Curation? [58.652262227632406]
  トレーニングデータのキュレーションは、現代のAI開発において、もっとも重要だが労働集約的な部分のひとつだ。 一般のコーディングエージェントがこのデータキュレーションループを自動化できるかどうかを問う。 モデル、トレーニングレシピ、評価スイートを修正するエージェント中心のベンチマークである*Curation-Bench*を紹介します。
  論文  参考訳（メタデータ） (2026-06-02T22:26:53Z)
• Step-level Optimization for Efficient Computer-use Agents [51.29573359027217]
  我々は、強力なコンピュータ利用エージェントは、実際は高価で遅いと論じている。 本稿では,コンピュータ利用エージェントのためのイベント駆動ステップレベルカスケードを提案する。
  論文  参考訳（メタデータ） (2026-04-29T19:59:36Z)
• Make-An-Agent: A Generalizable Policy Network Generator with Behavior-Prompted Diffusion [41.52811286996212]
  Make-An-Agentは、行動から政治への生成のための新しいポリシーパラメータジェネレータである。 所望の行動の1つの実演をプロンプトとして、エージェントに対して制御ポリシーを生成する方法を示す。 また,Make-An-Agentによって生成されたポリシーを,ロコモーションタスク上で現実世界のロボットに展開する。
  論文  参考訳（メタデータ） (2024-07-15T17:59:57Z)
• Distributed-Training-and-Execution Multi-Agent Reinforcement Learning for Power Control in HetNet [48.96004919910818]
  We propose a multi-agent Deep reinforcement learning (MADRL) based power control scheme for the HetNet。 エージェント間の協調を促進するために,MADRLシステムのためのペナルティベースQラーニング(PQL)アルゴリズムを開発した。 このように、エージェントのポリシーは、他のエージェントによってより容易に学習でき、より効率的なコラボレーションプロセスをもたらす。
  論文  参考訳（メタデータ） (2022-12-15T17:01:56Z)
• Acting in Delayed Environments with Non-Stationary Markov Policies [57.52103323209643]
  本稿では,MDPにおける学習と計画のためのフレームワークについて紹介する。 実行が遅れると、元の状態空間における決定論的マルコフポリシーは最大報酬を得るのに十分であるが、非定常である必要があることを証明します。 我々は、状態拡張に頼らずに遅延実行タスクを解く非定常Q学習スタイルのモデルベースアルゴリズムを考案した。
  論文  参考訳（メタデータ） (2021-01-28T13:35:37Z)
• Multiagent Value Iteration Algorithms in Dynamic Programming and Reinforcement Learning [0.0]
  各段階における制御がいくつかの異なる決定から構成される無限水平動的プログラミング問題を考える。 以前の研究では、ポリシーの反復アルゴリズムを導入しました。
  論文  参考訳（メタデータ） (2020-05-04T16:34:24Z)

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。