論文の概要: Preemptive Instruction Following with Resumption

• arxiv url: http://arxiv.org/abs/2610.35576v1
• Date: Mon, 26 Oct 2026 15:10:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.0466
• Title: Preemptive Instruction Following with Resumption
• Title（参考訳）: 再使用による予防的指導
• Abstract要約: ロングホライズンエンボディナビゲーションは、現在のタスクシーケンスが完了する前に、高優先度の命令によって中断される可能性がある。 実装ナビゲーションにおける実行時のタスクプリエンプションと再消費のための新しいタスクであるPIFRベンチマークを導入する。 PIFRにはシングル、繰り返し、ネストされた割り込み設定があり、挿入タスクの完了、元のタスクの再開、全シーケンスの完了のためのステージ固有のメトリクスがある。
• 参考スコア（独自算出の注目度）: 57.98276475379043
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-horizon embodied navigation may be interrupted by a higher-priority instruction before the current task sequence is complete. The agent must finish its current atomic task, execute the inserted task, and resume the remaining sequence from the updated environment state, where its viewpoint and available navigation candidates may have changed. To evaluate this capability, we introduce PIFR benchmark, a novel task for runtime task preemption and resumption in embodied navigation. PIFR includes single, repeated, and nested interruption settings,with stage-specific metrics for inserted-task completion, resumption of the original task, and completion of the full sequence. Evaluations show that recovery performance varies across interruption conditions, while aggregate success can obscure differences in interruption handling and resumption. We further propose a lightweight candidate-ranking baseline to improve target re-grounding after interruption. Together, PIFR and the baseline provide a systematic framework for studying interruption handling and task recovery in long-horizon embodied navigation.
• Abstract（参考訳）: ロングホライズンエンボディナビゲーションは、現在のタスクシーケンスが完了する前に、高優先度の命令によって中断される可能性がある。 エージェントは現在のアトミックタスクを終了し、挿入されたタスクを実行し、残りのシーケンスを更新された環境状態から再開する必要がある。 この能力を評価するために,実装ナビゲーションにおける実行時のタスクプリエンプションと再使用のための新しいタスクであるPIFRベンチマークを導入する。 PIFRにはシングル、繰り返し、ネストされた割り込み設定があり、挿入タスクの完了、元のタスクの再開、全シーケンスの完了のためのステージ固有のメトリクスがある。 評価では、回復性能は割り込み条件によって異なるが、集合的成功は割り込み処理と再消費の相違が明らかである。 また、割り込み後の目標再接地を改善するために、軽量な候補ランクベースラインを提案する。 PIFRとベースラインは、長い水平配置ナビゲーションにおける割り込み処理とタスク回復を研究するための体系的なフレームワークを提供する。

関連論文リスト

• Fine-Grained Analysis of Catastrophic Forgetting in Continual Learning via Algorithmic Stability [95.6787772135757]
  我々は,SGD下での人口減少を予測するアルゴリズム的安定性の枠組みを構築した。 我々は,定常的,タスク内減衰,学習速度の連続的減衰を考慮した。 経験的忘れるには、トレーニングセットのサイズ、タスクごとの更新数、タスクの総数、学習時間スケジュール、累積勾配アライメントの影響をキャプチャする境界を導出します。
  論文  参考訳（メタデータ） (2026-10-22T16:54:40Z)
• MeshHeal: Two-Timescale Self-Healing for Gray Failures in Decentralized LLM Agent Networks [60.95806999869478]
  MeshHealは、完全に分散化された自己修復フレームワークである。 能力にマッチしたピアレビューを2つのタイムスケールに分けている。 1タスクあたり51kのトータルモデルトークンを使用して0.839の劣化位相精度を達成し、最強のベースラインでは1タスクあたり115kの0.807の精度を達成した。
  論文  参考訳（メタデータ） (2026-09-24T04:29:37Z)
• AgentRewind: Recoverable Execution for Long-Horizon LLM Agents [32.44158037765297]
  我々は,エージェントコンテキストと制御環境の整列チェックポイントを記録するランタイムリカバリフレームワークであるAgentRewindを紹介する。 また,タスク完了と長期工学的課題の部分的進捗を評価するベンチマークであるMettleBenchを構築した。
  論文  参考訳（メタデータ） (2026-08-14T15:20:35Z)
• TRACE: Discovering Task-Specific Parameter via Adaptation-Aware Probing for Continual Fine-Tuning [33.07713704586859]
  本稿では,タスク固有のpaRameterを探索するための新しいアプローチであるTRACEを紹介する。 提案手法の優れた性能を示すため,複数の標準ベンチマークを用いて実験を行った。
  論文  参考訳（メタデータ） (2026-05-29T08:57:06Z)
• Referring-Aware Visuomotor Policy Learning for Closed-Loop Manipulation [91.20850436220267]
  Referring-Aware Visuomotor Policy(ReV)について紹介する。 ReVは、人間または高レベルの推論プランナーによって提供されるスパース参照ポイントを組み込む。 これは、専門家のデモンストレーションにターゲットの摂動を適用することでのみ訓練される。
  論文  参考訳（メタデータ） (2026-04-07T07:41:11Z)
• Continual LLaVA: Continual Instruction Tuning in Large Vision-Language Models [93.5327725085853]
  連続LLaVA(Continuous LLaVA)は、LVLMにおける連続的な命令チューニングに適したリハーサルフリーな手法である。 実験により,提案した連続LLaVAは,連続的な命令チューニング過程における忘れを著しく減らし,従来の手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-11-04T19:55:32Z)
• Task-oriented Time Series Imputation Evaluation via Generalized Representers [23.53722963890861]
  時系列分析は電力エネルギー、経済、輸送など多くの分野で広く利用されている。 本稿では,効率的なダウンストリームタスク指向時系列計算評価手法を提案する。
  論文  参考訳（メタデータ） (2024-10-09T08:04:48Z)
• PT-Tuning: Bridging the Gap between Time Series Masked Reconstruction and Forecasting via Prompt Token Tuning [14.332279447231416]
  近年,自己指導型学習が時系列領域で盛んに研究されている。 これらの手法の多くは、新しいデコーダが事前訓練されたデコーダを置き換える"事前訓練+微調整"パラダイムに従っている。 本稿では,事前学習したパラメータをすべて凍結し,拡張マスクトークンに数個のトレーニング可能なプロンプトトークンを追加する,シンプルで効果的なプロンプトチューニング(PT-Tuning)パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-11-07T07:11:27Z)

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。