論文の概要: When Do Causal World Models Help Modular LLM Agents

• arxiv url: http://arxiv.org/abs/2610.00012v1
• Date: Sun, 12 Jul 2026 04:03:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.308799
• Title: When Do Causal World Models Help Modular LLM Agents
• Title（参考訳）: 因果世界モデルがモジュラーLLMエージェントを助けるとき
• Abstract要約: LLMエージェントはモジュールシステムを通じて働き、ひとつのモジュールでのアクションが別のモジュールで有効になるように変化する。 標準世界モデルは一般的に観測的トレースに適合するが、介入時間計画に必要な量ではない。 モジュール型LLMエージェントの因果的世界モデルフレームワークであるFedCausalComposeを用いて,このギャップについて検討する。
• 参考スコア（独自算出の注目度）: 2.571318992830046
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM agents increasingly act through modular systems, such as order, payment, inventory, and shipment services, where actions in one module change which transitions are valid in another. Standard world models usually fit observational traces, but this is not the quantity needed for intervention-time planning: a trace may show that payment precedes shipment without identifying whether payment authorizes shipment, inventory mediates the effect, or a hidden trigger explains both. We study this gap through FedCausalCompose, a causal world-model framework for modular LLM agents in which local actions provide intervention-response evidence for cross-module interfaces. We first show that observational world models incur an irreducible interventional error under unblocked back-door paths, that interface recovery improves with intervention-response coverage, and that an oracle causal composition can beat the non-causal lower bound when coverage and local mechanism errors are controlled. We then test the resulting prediction in diagnostic agent settings. Causal interfaces help most in structured tool environments, where API signatures expose preconditions and downstream effects. In contrast, dialogue and narrative environments often ignore raw edge lists unless a short attention anchor makes the causal information decision-relevant. These results identify a concrete condition for causal world models in LLM agents: causal structure helps when cross-module interfaces are both statistically identifiable and presented in a form the agent can use at action time.
• Abstract（参考訳）: LLMエージェントは、注文、支払い、在庫、出荷サービスといったモジュラーシステムを通じて行動し、あるモジュールにおけるアクションが別のモジュールで有効となるように変化する。 標準世界モデルは一般的に観察上の痕跡に適合するが、これは介入時の計画に必要な量ではない: 痕跡は、支払いが出荷を承認するか、在庫が効果を仲介するか、あるいは隠れたトリガーが両方を説明することなく、出荷に先立つことを示している。 我々はFedCausalComposeを通じてこのギャップについて研究する。FedCausalComposeはモジュラーLLMエージェントのための因果的世界モデルフレームワークで、ローカルアクションがモジュール間インタフェースの介入応答エビデンスを提供する。 まず,無ブロックのバックドアパス下での観察的世界モデルにおいて,インターフェースの回復は介入応答のカバレッジによって改善され,また,カバーや局所メカニズムのエラーが制御された場合,オラクル因果構成が非因果的下位境界を破ることができることを示す。 次に、診断エージェントの設定で結果の予測をテストする。 因果インターフェースは、APIシグネチャがプレコンディションとダウンストリームエフェクトを公開するような、構造化されたツール環境の大部分に役立つ。 対照的に、対話環境や物語環境は、短い注意アンカーが因果情報決定に関連しない限り、生のエッジリストを無視することが多い。 因果構造は、クロスモジュールインタフェースが統計的に識別可能であり、エージェントがアクション時に使用可能な形で提示される場合に有効である。

関連論文リスト

• Formal Verification of Agentic Systems over Operational Data [59.98246281888422]
  大規模言語モデル(LLM)によって駆動されるエージェントシステムは、永続的な運用データを扱う現実世界にますます展開されている。 既存のアプローチはそのようなシステムレベルの保証を提供していません。 本稿では, 1 つの LLM とツールオーケストレーションハーネスからなるエージェントシステムのリレーショナル操作データに対する検証について述べる。
  論文  参考訳（メタデータ） (2026-08-04T13:01:30Z)
• From Detection to Action: Using LLM Agents for Fault-Tolerant Control [0.21313236831585222]
  我々は,耐故障性制御のためのエージェント型大規模言語モデル(LLM)フレームワークを提案する。 故障検出出力を、植物固有の知識に基づく制約対応回復行動に変換する。 我々は,各プロセスのダイナミックスと互換性のある遅延予算内で,意味的基盤を持つエージェントが有効なリカバリ決定を導出できることを示す。
  論文  参考訳（メタデータ） (2026-06-26T12:13:58Z)
• Diagnosis Is Not Prescription: Linguistic Co-Adaptation Explains Patching Hazards in LLM Pipelines [0.0]
  エージェント・ファミリー間のパッチ・ハーネスは、より高いコ・アダプティブ・コ・オクルージョンと、より安全性の低いコ・オクルージョン・コ・オクルージョンと関連があることが示されている。 我々は、診断のみから導かれた、エージェントごとの協調適応尺度を用いてこれを運用し、エージェント・ファミリー間のパッチ・ハーネスと一貫して関連していることを示す。
  論文  参考訳（メタデータ） (2026-05-21T03:44:47Z)
• VerifyMAS: Hypothesis Verification for Failure Attribution in LLM Multi-Agent Systems [79.51005192758262]
  大規模言語モデル駆動型マルチエージェントシステムは複雑なタスクで優れている。 しかし、信頼性の低いエージェントは、システムレベルの信頼性にとって重要なボトルネックである。 本稿では,エージェント故障の帰属に関する仮説検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-17T14:09:35Z)
• CogniConsole: Externalizing Inference-Time Control as a Formal Abstraction for Reliable LLM Interactions [3.8673630752805437]
  推論時間制御は、タスクフレーミングとコンテキスト選択を管理する計算層である。 emphCogniConsoleは、この制御を構造化インターフェイスに外部化するアーキテクチャインスタンス化である。 以上の結果から, コンテクストドリフトや不整合性制約順守といった多くの障害モードは, 不十分な機能ではなく, 未特定の制御から生じることが示唆された。
  論文  参考訳（メタデータ） (2026-04-21T17:21:06Z)
• Guided Verifier: Collaborative Multimodal Reasoning via Dynamic Process Supervision [11.159231524113764]
  マルチモーダル大規模言語モデル(MLLM)の複雑な推論能力を高めるための重要なメカニズムとして強化学習(RL)が登場した。 本稿では,これらの構造的制約に対処する textbfGuided Verifier フレームワークを提案する。 我々は,マルチモーダル幻覚をターゲットとした特殊なデータ合成パイプラインを開発し,プロセスレベルの負の textbfCoRe データセットとtextbfCorrect-guide textbfReasoning トラジェクトリを構築し,ガイド付き検証器を訓練する。
  論文  参考訳（メタデータ） (2026-02-04T07:38:42Z)
• The Bitter Lesson of Diffusion Language Models for Agentic Workflows: A Comprehensive Reality Check [54.08619694620588]
  本稿では,2つの異なるエージェントパラダイムであるEmbodied AgentsとTool-Calling AgentsにまたがるdLLMの包括的評価を行う。 Agentboard と BFCL では,現在の dLLM が信頼できるエージェントバックボーンとして機能しないという,"ビットレッスン" が報告されている。
  論文  参考訳（メタデータ） (2026-01-19T11:45:39Z)
• Relational Action Bases: Formalization, Effective Safety Verification, and Invariants (Extended Version) [67.99023219822564]
  我々はリレーショナルアクションベース(RAB)の一般的な枠組みを紹介する。 RABは両方の制限を解除することで既存のモデルを一般化する。 データ対応ビジネスプロセスのベンチマークにおいて、このアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-08-12T17:03:50Z)

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。