論文の概要: Curriculum-Guided Acquisition of Hierarchical Task Knowledge from LLM-Generated Experience

• arxiv url: http://arxiv.org/abs/2610.34677v1
• Date: Mon, 26 Oct 2026 01:16:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.662953
• Title: Curriculum-Guided Acquisition of Hierarchical Task Knowledge from LLM-Generated Experience
• Title（参考訳）: LLMによる階層的タスク知識のカリキュラムガイドによる獲得
• Abstract要約: 階層的なタスク知識は、以前獲得したスキルをタスクや問題インスタンス間で再利用することで、効率的な問題解決を可能にする。 問題解決におけるオンライン学習,人間設計カリキュラム,自動カリキュラム生成手順の3つのアプローチを比較した。 その結果、自動生成したキュリキュラは、専門家が設計したキュリキュラの利点の多くを回復し、オンライン階層的知識獲得のトークンコストを大幅に削減することを示した。
• 参考スコア（独自算出の注目度）: 6.397859902315962
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hierarchical task knowledge enables efficient problem solving by allowing previously acquired skills to be reused across tasks and problem instances. In this paper, we investigate curriculum-guided acquisition of hierarchical task knowledge in an HTN learning framework. We compare three approaches: online learning during problem solving, human-designed curricula, and an automated curriculum generation procedure that derives learning experiences from verified LLM-generated solution traces. The proposed procedure solves small training problems with an LLM, extracts task accomplishment information, and transforms it into ordered sequences of state-task learning problems for HTN method acquisition. We evaluate the three approaches across multiple planning domains. The results demonstrate that automatically generated curricula recover much of the benefit of expert-designed curricula while substantially reducing the token cost of online hierarchical knowledge acquisition.
• Abstract（参考訳）: 階層的なタスク知識は、以前獲得したスキルをタスクや問題インスタンス間で再利用することで、効率的な問題解決を可能にする。 本稿では,HTN学習フレームワークを用いたカリキュラム誘導型階層型タスク知識の獲得について検討する。 問題解決におけるオンライン学習,人間設計のカリキュラム,LLM生成されたソリューショントレースから学習経験を導き出す自動カリキュラム生成の3つの手法を比較した。 提案手法は,LLMを用いて小さな学習問題を解き,タスク達成情報を抽出し,HTN法取得のための状態タスク学習問題の順序列に変換する。 複数の計画領域にまたがる3つのアプローチを評価する。 その結果、自動生成したキュリキュラは、専門家が設計したキュリキュラの利点の多くを回復し、オンライン階層的知識獲得のトークンコストを大幅に削減することを示した。

関連論文リスト

• Towards Zero-Knowledge Task Planning via a Language-based Approach [3.29764539168098]
  本稿では,ゼロ知識タスク計画(ZKTP)問題,すなわちタスク固有の知識を使わずに目標を達成するための行動列を定式化することを提案する。 本稿では,大規模言語モデル(LLM)を利用して,自然言語命令をサブタスクに分解し,動作木(BT)を生成するZKTPの最初の調査とアプローチを提案する。 AI2-THORシミュレータの実験的検証により,タスク固有の知識を活用する代替手法と比較して,タスク性能を向上させる方法の有効性が示された。
  論文  参考訳（メタデータ） (2026-01-06T20:18:15Z)
• Learning Task Representations from In-Context Learning [67.66042137487287]
  大規模言語モデル(LLM)は、文脈内学習(ICL)において顕著な習熟性を示した。 ICLプロンプトにおけるタスク情報をアテンションヘッドの関数として符号化するための自動定式化を導入する。 提案手法は,テキスト中の実演からタスク固有の情報を抽出し,テキストと回帰タスクの両方で優れる。
  論文  参考訳（メタデータ） (2025-02-08T00:16:44Z)
• Seek and Solve Reasoning for Table Question Answering [49.006950918895306]
  本稿では,タスク単純化時の推論プロセスが,タスク自体の単純化よりも有用であることを示す。 本稿では,LLMにまず関連情報を求め,質問に答えるように指示するSeek-and-solving Pipelineを提案する。 本稿では, SS-CoT経路を用いた実演を用いて, 複雑なTQA課題の解決にLLMを誘導する単一ステップTQA解決プロンプトをこのパイプラインから蒸留する。
  論文  参考訳（メタデータ） (2024-09-09T02:41:00Z)
• Knowledge Tagging System on Math Questions via LLMs with Flexible Demonstration Retriever [48.5585921817745]
  大きな言語モデル(LLM)は知識タグ付けタスクを自動化するために使われる。 算数問題における知識タグ付けタスクに対するゼロショットと少数ショットの結果の強い性能を示す。 強化学習に基づくデモレトリバーの提案により,異なるサイズのLLMの潜在能力を活用できた。
  論文  参考訳（メタデータ） (2024-06-19T23:30:01Z)
• Automatically Learning HTN Methods from Landmarks [0.16874375111244325]
  CURRICULAMAは、学習プロセスを完全に自動化するHTNメソッド学習アルゴリズムである。 ランドマーク分析を使用して注釈付きタスクを構成し、カリキュラム学習を活用して、メソッドの学習をよりシンプルからより複雑なものに順序付けする。 我々はCURRICULAMAの音質を証明し、HTN-MAKERに対する完全な手法の学習において、ほぼ同様の収束率を持つことを実験的に示す。
  論文  参考訳（メタデータ） (2024-04-09T14:03:38Z)
• Data-CUBE: Data Curriculum for Instruction-based Sentence Representation Learning [85.66907881270785]
  本稿では,学習用マルチタスクデータの順序を列挙するデータカリキュラム,すなわちData-CUBEを提案する。 タスクレベルでは、タスク間の干渉リスクを最小化するために最適なタスクオーダーを見つけることを目的としている。 インスタンスレベルでは、タスク毎のすべてのインスタンスの難易度を測定し、トレーニングのためにそれらを簡単に微分できるミニバッチに分割します。
  論文  参考訳（メタデータ） (2024-01-07T18:12:20Z)
• Online Continual Learning via the Knowledge Invariant and Spread-out Properties [4.109784267309124]
  継続的な学習の鍵となる課題は破滅的な忘れ方だ。 知識不変性とスプレッドアウト特性(OCLKISP)を用いたオンライン連続学習法を提案する。 提案手法を,CIFAR 100, Split SVHN, Split CUB200, Split Tiny-Image-Netの4つのベンチマークで実証的に評価した。
  論文  参考訳（メタデータ） (2023-02-02T04:03:38Z)
• Reinforcement Learning with Success Induced Task Prioritization [68.8204255655161]
  本稿では,自動カリキュラム学習のためのフレームワークであるSuccess induced Task Prioritization (SITP)を紹介する。 アルゴリズムはエージェントに最速の学習を提供するタスクの順序を選択する。 我々は,SITPが他のカリキュラム設計手法と一致するか,あるいは上回っていることを実証する。
  論文  参考訳（メタデータ） (2022-12-30T12:32:43Z)
• Hierarchically Structured Task-Agnostic Continual Learning [0.0]
  本研究では,連続学習のタスク非依存的な視点を取り入れ,階層的情報理論の最適性原理を考案する。 我々は,情報処理経路の集合を作成することで,忘れを緩和する,Mixture-of-Variational-Experts層と呼ばれるニューラルネットワーク層を提案する。 既存の連続学習アルゴリズムのようにタスク固有の知識を必要としない。
  論文  参考訳（メタデータ） (2022-11-14T19:53:15Z)

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。