論文の概要: Reference Wording Shapes Retrieval of Robot Task Instructions

• arxiv url: http://arxiv.org/abs/2610.17549v1
• Date: Tue, 13 Oct 2026 01:21:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.485508
• Title: Reference Wording Shapes Retrieval of Robot Task Instructions
• Title（参考訳）: ロボットタスク命令の参照語形検索
• Abstract要約: 62の公開タスクファイルから296の固定記述を抽出し、80以上のランダムな選択を5つのトレーニング不要語彙ランク付けで比較する。 n-gram TF-IDF は BM25 では 55.6% 、ワード TF-IDF では 54.9% である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying a robot task from a short instruction is sensitive to which descriptions are available for retrieval. We investigate this effect in the natural-language instructions included with the RLBench manipulation benchmark. We extract 296 fixed descriptions from 62 publicly available task files and compare five training-free lexical rankers over 80 random choices of one indexed description per task. Exact strings assigned to conflicting task labels are excluded from the primary score. Character n-gram TF-IDF achieves 61.3% mean top-1 accuracy on the resulting held-out instructions, compared with 55.6% for BM25 and 54.9% for word TF-IDF. Across gallery choices, character TF-IDF ranges from 55.2% to 66.8%; its 5th-95th percentile range is 56.9%-64.8%. Adding a second indexed description improves character TF-IDF by 7.0 percentage points on matched queries. These results quantify the influence of reference wording and representation choice on instruction-to-task retrieval under a consistent evaluation protocol.
• Abstract（参考訳）: ロボットタスクを短い命令から識別することは、どの説明が検索に利用できるかに敏感である。 RLBench演算ベンチマークに含まれる自然言語命令におけるこの効果について検討する。 62の公開タスクファイルから296の定型記述を抽出し,80以上のランダムな選択に対して,トレーニング不要の語彙ランク付けを5つ比較した。 競合するタスクラベルに割り当てられた特定の文字列は、プライマリスコアから除外される。 n-gram TF-IDF の文字は 61.3% であり、それぞれ BM25 では 55.6%、ワード TF-IDF では 54.9% である。 ギャラリー選択全体では、TF-IDFの文字は55.2%から66.8%の範囲であり、第5-95パーセントの範囲は56.9%-64.8%である。 第2のインデックス付き記述を追加すると、マッチしたクエリで文字TF-IDFを7.0ポイント改善する。 これらの結果は、一貫した評価プロトコルの下での指示対タスク検索における参照語と表現選択の影響を定量化する。

関連論文リスト

• Bayesian Test-Time Inference of Task-Aligned Similarity from Weak Interactive Feedback [50.42640957891911]
  言語モデルシステムは、類似性を比較することで、繰り返しテスト時の決定を行う。 しかし、類似性はユニークではない:語彙、意味、構造、類似性はNの選択点を取得することができる。 本稿では,現在の意思決定を統括するトレーニングフリーベイズ手法であるAxis Interactive Signalsを紹介する。
  論文  参考訳（メタデータ） (2026-10-13T16:19:49Z)
• RoboChrono: A Real Robot Benchmark for Streaming Task Understanding [33.92530084538482]
  RoboChronoは、実際のロボットの実行と人間の記録から構築されたストリーミングタスク理解のためのベンチマークである。 このベンチマークは、認識、アライメント、時間的接地、行動理解と予測、視覚的対応、時間的順序付け、行動ローカライゼーションを含む7つのタスクを評価する。
  論文  参考訳（メタデータ） (2026-09-29T03:21:32Z)
• Learning Compositional Meta-Routing for Agentic Workflows: An Executable Benchmark [0.0]
  本稿では,タスクテキストからヘテロジニアスな操作を構成する,実行可能ベンチマークと予算対応メタルータを紹介する。 結果: 学習成功率は75.9%、静的ルーティングは93.5%、残る49%が安価で34.3ポイントを超える。
  論文  参考訳（メタデータ） (2026-07-31T07:00:49Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• ABRA: Agent Benchmark for Radiology Applications [46.39696206872633]
  エージェントがビューアとOrthanc DICOMサーバを操作する無線エージェントベンチマークであるABRAを紹介する。 ABRAには3つの困難層と8つのタイプにわたる655の655のタスクが含まれている。 各エピソードは、タスクタイプ固有の自動スコアラーによって、プランニング、実行、アウトカム(Blueth et al., 2025)に沿ってスコアされる。
  論文  参考訳（メタデータ） (2026-05-11T20:34:20Z)
• Spoken Language Identification with Pre-trained Models and Margin Loss [9.800066159312749]
  本稿では,TydyLang Challenge 2026で提案されている話者制御音声言語識別タスクについて,事前学習モデルに基づく言語識別手法を提案する。 提案手法は,事前学習したECAPA-TDNNを特徴エンコーダとして採用し,言語表現の識別能力を高めるためにマージンに基づく損失を取り入れる。
  論文  参考訳（メタデータ） (2026-05-03T14:37:52Z)
• Model Context Protocol (MCP) Tool Descriptions Are Smelly! Towards Improving AI Agent Efficiency with Augmented MCP Tool Descriptions [12.206378714907075]
  103のMPPサーバにまたがる856のツールを実験的に検証し,その記述品質とエージェント性能への影響について検討した。 文献からツール記述の6つのコンポーネントを特定し,これらのコンポーネントを利用したスコアリングルーリックを開発し,このルーリックに基づいてツール記述の匂いを定式化する。 分析したツール記述の97.1%には少なくとも1つの匂いが含まれており、56%は目的を明確に述べていない。
  論文  参考訳（メタデータ） (2026-02-16T16:10:11Z)
• Did You Read the Instructions? Rethinking the Effectiveness of Task Definitions in Instruction Learning [74.70157466822612]
  教科学習におけるタスク定義の役割を体系的に研究する。 タスク出力を記述する内容を削除すると,モデルの性能が大幅に低下することがわかった。 本稿では,モデルのタスク命令の活用を支援するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2023-06-01T21:11:24Z)
• Automated Few-shot Classification with Instruction-Finetuned Language Models [76.69064714392165]
  我々は、AuT-Fewが最先端の数ショット学習方法より優れていることを示す。 AuT-Few は RAFT few-shot ベンチマークにおいて,データセット間で最高のランク付け手法であることを示す。
  論文  参考訳（メタデータ） (2023-05-21T21:50:27Z)
• Divergence-Based Domain Transferability for Zero-Shot Classification [78.55044112903148]
  事前訓練されたニューラルネットワークモデルから学習パターンを転送することで、さまざまな言語ベースのタスクにおける効果が大幅に向上することが示されている。 中間タスクが目的タスクと十分に関係している場合、中間タスクのさらなるチューニングにより、さらなるパフォーマンス上のメリットが示される。 しかし、関連するタスクの特定方法はオープンな問題であり、効果的なタスクの組み合わせをブルートフォースで探すのは非常に高価である。
  論文  参考訳（メタデータ） (2023-02-11T16:04:38Z)

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。