論文の概要: Look Before You Leap: Thermodynamic Arbitration of Parametric and Non-Parametric Knowledge in LLM Agents via Self-Regulating Memory Architectures

• arxiv url: http://arxiv.org/abs/2610.05223v1
• Date: Sun, 04 Oct 2026 13:43:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 22:30:05.306256
• Title: Look Before You Leap: Thermodynamic Arbitration of Parametric and Non-Parametric Knowledge in LLM Agents via Self-Regulating Memory Architectures
• Title（参考訳）: 自己制御メモリアーキテクチャによるLLMエージェントのパラメトリックおよび非パラメトリック知識の熱力学的アロケーション
• Abstract要約: パラメトリックな知識と非パラメトリックな知識を橋渡しする,ニューロシンボリックなフレームワークであるMARTAを紹介する。 検索を必須として扱うのではなく、MARTAはそれをコストとしてモデル化し、内部の不十分さが外部情報を保証する場合にのみ跳躍する。
• 参考スコア（独自算出の注目度）: 0.42970700836450487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The architecture of modern LLMs consists of a profound cognitive polarization. LLMs possess implicit intuition encoded in their parameters, yet rely on a disconnected, explicit mechanism to access the outside world. Agentic frameworks have not bridged this gap; instead, models are often compelled into pathological "induced amnesia." Under the prevailing "Retrieve-Always" paradigm, agents must distrust their internal knowledge, making every user interaction a "tabula rasa" event that must be checked externally. This creates reflexive dependence that can be thermodynamically wasteful, cognitively fragile, and susceptible to irrelevant context. We propose a return to first principles, operationalizing the biological maxim "Look Before You Leap." We introduce MARTA (Metacognitive Adaptive Retrieval and Thought Architecture), a neuro-symbolic framework that bridges parametric and non-parametric knowledge. Rather than treating retrieval as mandatory, MARTA models it as a cost, taking the leap only when perceived internal inadequacy warrants external information. By allowing the agent to gauge the entropy of its own thoughts before acting, MARTA enables deliberative retrieval and uncertainty-aware decision making. Our approach suggests that giving agents the capacity for introspection can restore a more efficient balance between internal knowledge and external information.
• Abstract（参考訳）: 現代のLLMのアーキテクチャは、深い認知的偏極から構成されている。 LLMは、そのパラメータに暗黙の直観を符号化しているが、外界にアクセスするための非連結で明示的なメカニズムに依存している。 エージェントフレームワークはこのギャップを埋めていないが、代わりにモデルはしばしば病理学的「誘発記憶症」に強制される。 一般的な"Retrieve-Always"パラダイムの下では、エージェントは内部知識を不信感し、すべてのユーザインタラクションを外部でチェックしなければならない"タブララザ"イベントにする。 これは、熱力学的に浪費し、認知的に脆弱で、無関係な文脈に影響を受けやすい反射的依存を生み出す。 我々は,「Look Before You Leap」という生物の極大原理を運用する第一原理への回帰を提案する。 MARTA(Metacognitive Adaptive Retrieval and Thought Architecture)は,パラメトリックおよび非パラメトリック知識を橋渡しする神経象徴的枠組みである。 検索を必須として扱うのではなく、MARTAはそれをコストとしてモデル化し、内部の不十分さが外部情報を保証する場合にのみ跳躍する。 エージェントが行動する前に自身の思考のエントロピーを計測できるようにすることで、MARTAは熟考的検索と不確実性を考慮した意思決定を可能にする。 我々のアプローチは、エージェントにイントロスペクションの能力を与えることで、内部知識と外部情報とのより効率的なバランスを回復できることを示唆している。

関連論文リスト

• Reinforcement Learning with Metacognitive Feedback Elicits Faithful Uncertainty Expression in LLMs [60.80435138270317]
  本稿では,メタ認知的フィードバックによる強化学習を忠実な校正問題に適用する。 実験により、RLMFは様々なタスクにおいて汎用的で最先端のFCを実現することが示された。 RLMFは標準のRLを最大63%上回り、モデルの性能限界を評価し表現する能力を高めている。
  論文  参考訳（メタデータ） (2026-06-30T17:56:01Z)
• From Knowing to Acting: Benchmarking Self-Awareness Capability of LLM Agents [69.07911499189129]
  エージェントのメタ認知判断(Knowing)を自発的実行(Acting)から切り離して認知行動アライメントを評価するフレームワークであるKAPROを紹介する。 実験の結果,自己認識能力はタスク成功と強く相関するが,内部能力設定では著しく低下することがわかった。 プロプライエタリで推論指向のモデルは、より信頼性の高い認知ゲーティングを示します。
  論文  参考訳（メタデータ） (2026-06-09T17:17:08Z)
• Externalization in LLM Agents: A Unified Review of Memory, Skills, Protocols and Harness Engineering [55.93186934265401]
  大規模言語モデル(LLM)エージェントは、その周辺のランタイムを再編成するよりも、モデルウェイトを変更することによって構築されるものが少なくなる。 本稿では、外部化のレンズを通してのシフトをレビューする。 エージェントインフラストラクチャは、補助的なコンポーネントを追加するだけでなく、ハード認知の負担をモデルがより確実に解決できる形式に変換するからである、と我々は主張する。
  論文  参考訳（メタデータ） (2026-04-09T13:19:41Z)
• Why Cognitive Robotics Matters: Lessons from OntoAgent and LLM Deployment in HARMONIC for Safety-Critical Robot Teaming [2.779709069421631]
  コンテンツ中心の認知アーキテクチャであるOntoAgentと戦術的リアクティブレイヤを組み合わせた,認知ロボティックなアーキテクチャであるHARMONICを提案する。 その結果、LCMは行動する前に自身の知識状態を常に評価しておらず、診断的推論や行動選択において下流の障害を引き起こすことが明らかとなった。 これらの知見は、認知アーキテクチャが推論の主要な権威を保持する物理的に具体化されたシステムの設計を支援する。
  論文  参考訳（メタデータ） (2026-03-20T09:31:36Z)
• Hindsight Distillation Reasoning with Knowledge Encouragement Preference for Knowledge-based Visual Question Answering [55.368681418311894]
  既存の知識に基づくビジュアル質問回答 (KBVQA) 手法は、マルチモーダルな大規模言語モデル (MLLM) における暗黙的な知識をコンテキスト内学習または検索拡張生成による明示的な知識を介して利用する。 KEPO(Knowledge Encouragement Preference Optimization)を用いたHindsight Distilled Reasoning(HinD)フレームワークを提供する。 OK-VQAとA-OKVQAの実験によりHinDの有効性が検証され、7BサイズのMLLMから推論したHinDが商用モデルAPIや外部知識を使わずに優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-11-14T10:03:23Z)
• Mirage of Mastery: Memorization Tricks LLMs into Artificially Inflated Self-Knowledge [0.0]
  既存の研究は、LLMにおける記憶障害と自己認知障害を別の問題として扱う。 我々は,LLMが学習データから推論パターンを真に学習するかどうかを確認するために,新しいフレームワークを利用する。 LLMは記憶された解から自信を引き出して高い自己知識を推測する。
  論文  参考訳（メタデータ） (2025-06-23T18:01:16Z)
• Procedural Memory Is Not All You Need: Bridging Cognitive Gaps in LLM-Based Agents [3.376269351435396]
  大規模言語モデル(LLM)は人工知能(AI)における画期的な業績を表す 本稿では,LLMは手続き記憶に依存しているため,基本的に制約を受ける。 認知機能を分離するモジュラーアーキテクチャを採用することで、狭義の手続き的専門知識と現実の問題解決に必要な適応知性とのギャップを埋めることができます。
  論文  参考訳（メタデータ） (2025-05-06T11:18:34Z)
• Evaluating the External and Parametric Knowledge Fusion of Large Language Models [72.40026897037814]
  我々は、知識融合シナリオをシミュレートするデータ構築と知識注入のための体系的なパイプラインを開発する。 本研究は, LLMにおけるパラメトリック知識の強化が, 知識統合能力を大幅に向上させることを明らかにした。 本研究の目的は,LLM内の外部およびパラメトリック知識の調和を図ることにある。
  論文  参考訳（メタデータ） (2024-05-29T11:48:27Z)
• Tuning-Free Accountable Intervention for LLM Deployment -- A Metacognitive Approach [55.613461060997004]
  大規模言語モデル(LLM)は、自然言語処理タスクの幅広い領域にわたる変換的進歩を触媒している。 我々は,自己認識型誤り識別と訂正機能を備えたLLMを実現するために,textbfCLEARと呼ばれる革新的なテキストメタ認知手法を提案する。
  論文  参考訳（メタデータ） (2024-03-08T19:18:53Z)

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。