論文の概要: Means-Ends Analysis Helps LLMs Plan in Continuous-State Domains

• arxiv url: http://arxiv.org/abs/2610.24928v1
• Date: Sun, 18 Oct 2026 00:43:18 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:11:18.356756
• Title: Means-Ends Analysis Helps LLMs Plan in Continuous-State Domains
• Title（参考訳）: Means-Ends分析は、継続的な状態ドメインにおけるLCMの計画を支援する
• Abstract要約: Newell と Simon's Means-Ends Analysis (MEA) の治療法 我々はMEAにインスパイアされた構造化プロンプトフレームワークであるメダカを開発した。 Liquidworldでは、Medakaはモデルファミリー全体のパフォーマンスを改善することができる。
• 参考スコア（独自算出の注目度）: 6.5092417332319945
• License:
• Abstract: LLM planning research has traditionally focused on discrete-state domains, where actions form a finite, enumerable set. Existing LLM planning frameworks largely assume actions are enumerable, modeling planning as a search process over candidate actions. However, in continuous-state domains, where actions form a continuum and cannot be enumerated, this assumption breaks down. We find a remedy in Newell and Simon's Means-Ends Analysis (MEA), a general problem-solving technique rooted in heuristics from human psychology. We develop Medaka, an MEA-inspired structured prompting framework that encourages recursive goal decomposition, algebraic derivation, and per-step state tracking. To evaluate native LLM planning abilities in continuous-state domains, we develop Liquidworld, a systematic testbed on liquid mixing. On Liquidworld, Medaka can improve performance across model families, suggesting that classical means-ends analysis elicits LLM-native reasoning abilities that are helpful for continuous-state planning.
• Abstract（参考訳）: LLM計画研究は伝統的に、アクションが有限で可算集合を形成する離散状態領域に焦点を当ててきた。 既存のLLM計画フレームワークは、主にアクションがエミュマブルであると仮定し、候補アクションに対する探索プロセスとして計画をモデル化する。 しかし、連続状態領域では、アクションが連続体を形成し、列挙できない場合、この仮定は崩壊する。 我々は,人間の心理学からヒューリスティックスに根ざした一般的な問題解決手法であるNewell and Simon's Means-Ends Analysis (MEA) の治療法を見出した。 我々は,MEAにインスパイアされた構造化プロンプトフレームワークであるメダカを開発した。 連続状態領域におけるネイティブLSM計画能力を評価するために,液体混合の体系的テストベッドであるLiquidworldを開発した。 Liquidworldでは、Medakaはモデルファミリー全体のパフォーマンスを改善することが可能であり、古典的な平均値分析は、継続的な状態計画に役立つLLMネイティブな推論能力をもたらすことを示唆している。

関連論文リスト

• Why Reasoning Fails to Plan: A Planning-Centric Analysis of Long-Horizon Decision Making in LLM Agents [42.09897801169138]
  大規模言語モデル(LLM)に基づくエージェントは、短い地平線上でのステップバイステップ推論能力を示すが、長い計画地平線上でのコヒーレントな振舞いを維持できないことが多い。 我々は、ステップワイズ推論は、短い地平線に適しているが、長期計画では失敗するステップワイズ欲求政策の形式を誘導すると主張する。 我々は、FLAREを将来の計画の最小限のインスタンス化として導入し、明示的なルックアヘッド、価値伝播、限定的なコミットメントを1つのモデルで実施する。
  論文  参考訳（メタデータ） (2026-01-29T20:52:32Z)
• Context Matters! Relaxing Goals with LLMs for Feasible 3D Scene Planning [1.5391321019692432]
  身体的エージェントは、現実の複雑な3D環境で確実に計画し、行動する必要がある。 我々は、LLM(Large Language Models)と古典的なプランニングを融合するフレームワークであるContextMattersを紹介します。 実験の結果,LLMs+PDDLベースラインよりも52.45%成功率が向上した。
  論文  参考訳（メタデータ） (2025-06-18T19:14:56Z)
• LLM-Generated Heuristics for AI Planning: Do We Even Need Domain-Independence Anymore? [87.71321254733384]
  大規模言語モデル(LLM)は、特定の計画問題に適した計画手法を生成することができる。 LLMは、いくつかの標準IPCドメインで最先端のパフォーマンスを達成することができる。 これらの結果がパラダイムシフトを意味するのか、既存の計画手法をどのように補完するかについて議論する。
  論文  参考訳（メタデータ） (2025-01-30T22:21:12Z)
• Exploring and Benchmarking the Planning Capabilities of Large Language Models [57.23454975238014]
  この研究は、大規模言語モデル(LLM)の計画能力を改善するための基礎を築いた。 我々は、古典的な計画ベンチマークと自然言語シナリオの両方を含む包括的なベンチマークスイートを構築した。 本研究は,LLM計画の強化を目的としたマルチショットインコンテキスト学習について検討し,文脈長の増大と計画性能の向上の関係について検討する。
  論文  参考訳（メタデータ） (2024-06-18T22:57:06Z)
• From Words to Actions: Unveiling the Theoretical Underpinnings of LLM-Driven Autonomous Systems [59.40480894948944]
  大規模言語モデル (LLM) は、物理世界の意思決定問題を解くことができる。 このモデルの下で、LLM Plannerは、プロンプトを介して言語ベースのサブゴールを反復的に生成することにより、部分的に観測可能なマルコフ決定プロセス(POMDP)をナビゲートする。 我々は,事前学習したLLMプランナーが,文脈内学習を通じてベイズ的集計模倣学習(BAIL)を効果的に行うことを証明した。
  論文  参考訳（メタデータ） (2024-05-30T09:42:54Z)
• Understanding the planning of LLM agents: A survey [98.82513390811148]
  本調査では, LLMをベースとしたエージェント計画の体系的考察を行い, 計画能力の向上を目的とした最近の成果について報告する。 各方向について総合的な分析を行い、研究分野におけるさらなる課題について論じる。
  論文  参考訳（メタデータ） (2024-02-05T04:25:24Z)

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。