Fugu-MT 論文翻訳(概要): Procedural Memory for Language Agents: A Neurosymbolic Perspective on Explicit Goal Structure

論文の概要: Procedural Memory for Language Agents: A Neurosymbolic Perspective on Explicit Goal Structure

arxiv url: http://arxiv.org/abs/2610.25996v1
Date: Mon, 19 Oct 2026 08:19:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-24 03:05:49.051561
Title: Procedural Memory for Language Agents: A Neurosymbolic Perspective on Explicit Goal Structure
Title（参考訳）: 言語エージェントの手続き記憶:明示的なゴール構造に関するニューロシンボリックな視点
Abstract要約: 重要な原因は、明示的な手続き記憶がないことだと我々は主張する。目標指向グラフ(Goal-Oriented Graphs)は、検査可能なシンボル構造として、目標と必須の依存関係を符号化する表現を提供する。
参考スコア（独自算出の注目度）: 18.575706080497177
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Large language models remain unreliable on long-horizon tasks requiring procedural reasoning. We argue that a key cause is the absence of explicit procedural memory: accessible, modifiable knowledge of how tasks are accomplished, distinct from semantic and episodic memory. Goal-Oriented Graphs offer such a representation, encoding goals and prerequisite dependencies as inspectable symbolic structure. We examine their construction, the challenges they pose, and principles for integrating them with neural reasoning.
Abstract（参考訳）: 大規模言語モデルは、手続き的推論を必要とする長距離タスクでは信頼できないままである。重要な原因は明示的な手続き記憶の欠如である、と我々は主張する: タスクの達成方法に関するアクセス可能で変更可能な知識であり、セマンティックメモリとエピソードメモリとは別物である。目標指向グラフ(Goal-Oriented Graphs)は、検査可能なシンボル構造として、目標と必須の依存関係を符号化する表現を提供する。我々は、それらの構成、それらがもたらす課題、そしてそれらを神経的推論と統合するための原則について検討する。

関連論文リスト

Analytic Concept-Centric Memory for Agentic Embodied Manipulation [67.98329043920803]
ロングホライゾンの具体化操作では、エージェントは永続的なオブジェクトを記憶し、シーンの状態の変化を追跡し、相互作用の知識を再利用する必要がある。既存のエージェント記憶は、しばしば構造化されていない履歴や埋め込みベースの記録として保存される。エージェントエンボディド操作のための解析的概念中心メモリフレームワークを提案する。
論文参考訳（メタデータ） (2026-06-29T04:33:04Z)
Cognitive Mismatch in Multimodal Large Language Models for Discrete Symbol Understanding [96.81411333150213]
本稿では,最上位のMLLMが個別の意味空間をどのようにナビゲートするかを評価するためのベンチマークを紹介する。モデルは基本的なシンボル認識に失敗することが多いが、複雑な推論タスクに成功している。この作業は、より厳格で人間指向のインテリジェントなシステムを開発するためのロードマップを提供する。
論文参考訳（メタデータ） (2026-03-19T04:08:20Z)
MemoBrain: Executive Memory as an Agentic Brain for Reasoning [19.13580311003466]
本稿では,ツール拡張エージェントのメモリモデルであるMemoBrainを提案する。 MemoBrainは推論エージェントと一緒にコパイロットとして動作し、実行をブロックせずに推論の進捗を整理する。我々は,GAIA,WebWalker,BrowseComp-Plusなどの長軸ベンチマークでMemoBrainを評価した。
論文参考訳（メタデータ） (2026-01-12T23:44:59Z)
Memory Matters More: Event-Centric Memory as a Logic Map for Agent Searching and Reasoning [55.251697395358285]
大規模言語モデル(LLM)は、環境を推論し、計画し、相互作用するインテリジェントエージェントとして、ますます多くデプロイされている。長期のシナリオに効果的にスケールするには、そのようなエージェントの重要な機能は、過去の経験を保持し、整理し、取り出すことができるメモリメカニズムである。イベント理論にインスパイアされたイベント中心のメモリフレームワークであるCompassMemを提案する。
論文参考訳（メタデータ） (2026-01-08T08:44:07Z)
Thinking with Blueprints: Assisting Vision-Language Models in Spatial Reasoning via Structured Object Representation [52.605647992080485]
空間的推論は視覚的知覚から意味的理解へと視覚言語モデルを前進させる。物体中心の青写真という認知概念を空間的推論に統合する。我々の手法は既存の視覚言語モデルより一貫して優れている。
論文参考訳（メタデータ） (2026-01-05T10:38:26Z)
Learning Differentiable Logic Programs for Abstract Visual Reasoning [22.167393386879294]
微分フォワード推論は、勾配に基づく機械学習パラダイムと推論を統合するために開発された。 NEUMANNはグラフベースの微分可能フォワード推論器で、メッセージをメモリ効率のよい方法で送信し、構造化プログラムを関手で処理する。 NEUMANNは視覚的推論タスクを効率的に解き、神経、象徴的、神経-象徴的ベースラインを上回ります。
論文参考訳（メタデータ） (2023-07-03T11:02:40Z)
Learning Neuro-symbolic Programs for Language Guided Robot Manipulation [10.287265801542999]
自然言語命令と入力と出力シーンが与えられた場合、我々の目標は、操作プログラムを出力できるニューロシンボリックモデルを訓練することである。 i) トレーニング中に見られる以上の一般化を制限するが、密集したサブゴールの監督を必要とする概念に対して、手書きのシンボルに依存する。我々のアプローチはニューロシンボリックであり、言語的および知覚的バリエーションを扱うことができ、中間的な監督を必要としないエンドツーエンドの差別化が可能であり、潜伏したニューラルオブジェクト中心の表現で機能するシンボリック推論構造を利用する。
論文参考訳（メタデータ） (2022-11-12T12:31:17Z)
Low-Dimensional Structure in the Space of Language Representations is Reflected in Brain Responses [62.197912623223964]
言語モデルと翻訳モデルは,単語の埋め込み,構文的・意味的タスク,将来的な単語埋め込みとの間を円滑に介在する低次元構造を示す。この表現埋め込みは、各特徴空間が、fMRIを用いて記録された自然言語刺激に対する人間の脳反応にどれだけうまく対応しているかを予測することができる。これは、埋め込みが脳の自然言語表現構造の一部を捉えていることを示唆している。
論文参考訳（メタデータ） (2021-06-09T22:59:12Z)
Question Answering over Knowledge Bases by Leveraging Semantic Parsing and Neuro-Symbolic Reasoning [73.00049753292316]
本稿では,意味解析と推論に基づくニューロシンボリック質問回答システムを提案する。 NSQAはQALD-9とLC-QuAD 1.0で最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2020-12-03T05:17:55Z)

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。