論文の概要: A 3D Characterization Framework for Intelligent Sequential Decision Making

• arxiv url: http://arxiv.org/abs/2610.11696v1
• Date: Thu, 08 Oct 2026 11:06:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 11:59:33.75401
• Title: A 3D Characterization Framework for Intelligent Sequential Decision Making
• Title（参考訳）: インテリジェントシーケンス決定のための3次元キャラクタリゼーションフレームワーク
• Abstract要約: 本稿では,AI手法のアナリストがマルコフ決定プロセス(MDP)の逐次決定形式にそれらを投影できる3次元キャラクタリゼーションフレームワークを提案する。 代表的なグラフベース,強化学習,および大規模言語モデル(LLM)に基づくアプローチが,設計選択や性能特性においてどのように異なるかを分析する。 この分析は、明確に定義されたルールとスケーラブルな複雑さを備えた制御されたベンチマークを提供する、ハノイの塔のパズルに依存している。
• 参考スコア（独自算出の注目度）: 5.51170856062205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Puzzles are widely used to evaluate the reasoning capabilities of artificial intelligence (AI) systems for sequential decision making, yet approaches originating from different paradigms are rarely compared under unified conditions. To address this gap, we introduce a three-dimensional characterization framework that enables the analysts of AI methods by 1) projecting them to the Markov decision process (MDP) sequential decision making formalism, 2) degree of autonomy through human prior ranking of their designs and, 3) skill and computational cost. Using this framework, we analyze how representative graph-based, reinforcement learning, and large language model (LLM)-based approaches differ in their design choices and performance characteristics, instantiated respectively by Neurosolver, forward-backward reinforcement learning (FBRL), and automated thought-of-search (AutoToS), including a double-agent extension of thought-of-search (DA-ToS). The analysis relies on the Tower of Hanoi puzzle that provides a controlled benchmark with well-defined rules and scalable complexity, enabling consistent comparison across increasing problem sizes. The 3D characterization reveals that LLM-based methods, due to their weakly constrained action-space design, shift complexity from architecture to inference-time verification, leading to substantially higher memory and runtime costs than Neurosolver and FBRL.
• Abstract（参考訳）: パズルは、逐次決定のための人工知能(AI)システムの推論能力を評価するために広く用いられているが、異なるパラダイムに由来するアプローチは統一された条件下で比較されることは稀である。 このギャップに対処するために,我々は,AI手法のアナリストによる3次元評価フレームワークを導入する。 1) それらをマルコフ決定プロセス(MDP)に投影すること。 2 意匠の先行格付けによる自治の程度及び 3) 技術と計算コスト。 このフレームワークを用いて,代表的グラフベース,強化学習,大規模言語モデル(LLM)に基づくアプローチが,それぞれニューロゾルダー,フォワードバックフォワード強化学習(FBRL),自動検索(AutoToS)によってインスタンス化される設計選択と性能特性にどのように異なるかを分析する。 この分析は、明確に定義されたルールとスケーラブルな複雑さを備えた制御されたベンチマークを提供し、問題のサイズが増大する中で一貫した比較を可能にする、ハノイの塔のパズルに依存している。 3Dキャラクタリゼーションにより、LLMベースの手法は、アーキテクチャから推論時検証へ複雑さをシフトさせ、NeurosolverやFBRLよりもメモリと実行コストが大幅に高くなることが判明した。

関連論文リスト

• Heuristic Classification of Thoughts Prompting (HCoT): Integrating Expert System Heuristics for Structured Reasoning into Large Language Models [9.545957160908115]
  HCoT(Huristic- classification-of-Thoughts prompting schema) HCoT(Huristic- classification-of-Thoughts prompting schema) HCoT(Huristic- classification-of-Thoughts prompting schema)
  論文  参考訳（メタデータ） (2026-04-14T07:24:08Z)
• Unifying Tree Search Algorithm and Reward Design for LLM Reasoning: A Survey [92.71325249013535]
  線形木探索はLarge Language Model (LLM) 研究の基盤となっている。 本稿では,検索アルゴリズムを3つのコアコンポーネントに分解する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-11T03:29:18Z)
• A Survey of Slow Thinking-based Reasoning LLMs using Reinforced Learning and Inference-time Scaling Law [29.763080554625216]
  本調査は「スロー思考」を模倣した大規模言語モデル(LLM)の最近の進歩を考察する。 LLMは、数学の推論、視覚的推論、診断、マルチエージェントの議論などの複雑なタスクの間、動的に計算資源をスケーリングすることに焦点を当てている。
  論文  参考訳（メタデータ） (2025-05-05T14:14:59Z)
• A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
  推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。 大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。 我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
  論文  参考訳（メタデータ） (2025-04-12T01:27:49Z)
• MR-Ben: A Meta-Reasoning Benchmark for Evaluating System-2 Thinking in LLMs [55.20845457594977]
  大規模言語モデル(LLM)は、問題解決と意思決定の能力の向上を示している。 本稿ではメタ推論技術を必要とするプロセスベースのベンチマークMR-Benを提案する。 メタ推論のパラダイムは,システム2のスロー思考に特に適しています。
  論文  参考訳（メタデータ） (2024-06-20T03:50:23Z)
• Towards the One Learning Algorithm Hypothesis: A System-theoretic Approach [0.0]
  人間の認知における普遍的な学習アーキテクチャの存在は、神経科学の実験的な発見によって支持される広範囲にわたる推測である。 i) マルチレゾリューション分析プリプロセッサ, (ii) グループ不変の特徴抽出器, (iii) プログレッシブ知識に基づく学習モジュールの3つの主成分からなる閉ループシステムを開発した。 複数の解像度で徐々に成長する知識表現を構成する新しい学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-12-04T05:54:33Z)

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。