論文の概要: How Should Planning Agents ReSHAPE Their Search Space?
- arxiv url: http://arxiv.org/abs/2611.16466v1
- Date: Thu, 12 Nov 2026 08:22:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.398597
- Title: How Should Planning Agents ReSHAPE Their Search Space?
- Title(参考訳): エージェントはどのようにして検索空間を再構築すべきか?
- Abstract要約: ReSHAPEタスクは、検索スペースが許容される計画と一致するかどうかでリビジョンを判断し、プランナーがそれを見つける。
旅行・ショッピングにおける5,800件のエージェント改訂仕様を分析した。
正しいトレードオフの1つは、同じプランナーを4.6倍の頻度で許容できるプランに到達させる。
- 参考スコア(独自算出の注目度): 33.443755441860866
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Planning agents and benchmarks treat a user's initial specification as fixed. Yet the requests users write exclude plans they would gladly take, since they rarely discover the possible trade-offs they would accept until seeing the options. Agents already revise requests through interaction, but whether this helps planning is unknown. We formalize this step as the ReSHAPE task, which judges a revision by whether its search space matches the acceptable plans and a planner finds one there. Using ReSHAPE Planter, which builds instances from planning benchmarks with a human-validated simulated user, we analyze 5,800 agent-revised specifications in travel and shopping. We find that reshaping matters: one correct trade-off makes the same planner reach an acceptable plan up to 4.6x as often, and search space quality predicts what the planner finds. Current agents, however, admit at most 32% of the acceptable plans, where that trade-off alone admits over 52%, because they ask about preferences instead of showing plans; in travel, showing plans raises F1 by 9.7 points over asking, with two model families. Planning agents should thus treat a request as a hypothesis to test against the user's reactions to concrete plans to recognize user trade-offs.
- Abstract(参考訳): 計画エージェントとベンチマークは、ユーザの初期仕様を固定として扱う。
しかし、ユーザが喜んで受け取るプランを除外するリクエストは、オプションを見るまで受け入れる可能性のあるトレードオフを見つけることはめったにない。
エージェントはすでにインタラクションを通じてリクエストを修正しているが、これが計画に役立つかどうかは不明だ。
本稿では、このステップをReSHAPEタスクとして定式化し、検索スペースが許容する計画と一致しているか、プランナーがそれを見つけるかどうかを判断する。
ReSHAPE Planterは、人間公認のシミュレーションユーザーによるベンチマークからインスタンスを構築するもので、5,800件のエージェント修正仕様を旅行とショッピングで分析する。
正しいトレードオフの1つは、同じプランナーが許容できるプランを4.6倍に到達させ、検索空間の品質は、プランナーが見つけるものを予測する。
しかし、現在のエージェントは許容される計画の少なくとも32%を認めており、このトレードオフだけで52%以上を認めている。
プランニングエージェントは、ユーザのトレードオフを認識する具体的な計画に対するユーザの反応をテストする仮説として要求を扱います。
関連論文リスト
- Plan-and-Patch: Diffusion Language Models for Agentic Planning [39.16270847998255]
長距離エージェントのためのプラン・アンド・パッチフレームワークであるPlan-and-Patchを紹介する。
Plan-and-Patchは並列アンマキングによって構造化されたプログラムライクなプランを生成し、選択したリージョンに埋め込むことでそれを修復する。
以上の結果から,プラン・アンド・パッチ(Plan-and-Patch)は長期的エージェントにおいて,より高速な計画生成と効率的な計画修復のためのフレームワークを提供することが示された。
論文 参考訳(メタデータ) (2026-10-07T18:45:45Z) - LifePlanner: Evaluating LLM Agents for Geo-spatial Planning with Social Media Data [12.731421145976187]
大規模なローカルソーシャルメディア投稿で地図データを充実させるベンチマークであるLifePlannerを紹介した。
LifePlannerは4つのタスクカテゴリと3つの困難レベルにまたがる評価スイートを提供する。
実験では、フロンティアLSMは単純な検索では良好に機能するが、複雑な計画では著しく低下する。
論文 参考訳(メタデータ) (2026-08-25T18:28:29Z) - Agentic Cost-Aware Query Planning with Knowledge Distillation for Big Data Analytics [0.0]
本稿では,ルールベースの教師プランナ,UPB1バンディット探索,コスト認識予測,知識蒸留を組み合わせたエージェントクエリ計画システムを提案する。
蒸留された学生プランナーは、高速推論のために教師とバンドの意思決定を模倣することを学びます。
我々の単一ファイル実装は、リソース制限されたマシン上で再現可能なビッグデータ分析を可能にする。
論文 参考訳(メタデータ) (2026-05-18T04:07:00Z) - From Plan to Action: How Well Do Agents Follow the Plan? [6.54753809716901]
本稿では,プログラムエージェントにおける計画遵守に関する最初の体系的分析について述べる。
SWE-bench Verified と SWE-bench Pro では,SWE-agent からSWE-agent への16,991 トラジェクトリを8種類のプランで検討した。
サブプランは、計画が全くない以上にパフォーマンスを損なう。
論文 参考訳(メタデータ) (2026-04-13T23:54:55Z) - Hindsight Planner: A Closed-Loop Few-Shot Planner for Embodied Instruction Following [62.10809033451526]
本研究は,Large Language Models (LLM) を用いた Embodied Instruction following (EIF) タスクプランナの構築に焦点をあてる。
我々は,このタスクを部分観測可能なマルコフ決定プロセス (POMDP) として構成し,数発の仮定で頑健なプランナーの開発を目指す。
ALFREDデータセットに対する我々の実験は、プランナーが数ショットの仮定で競争性能を達成することを示す。
論文 参考訳(メタデータ) (2024-12-27T10:05:45Z) - TravelPlanner: A Benchmark for Real-World Planning with Language Agents [63.199454024966506]
我々は,旅行計画に焦点を当てた新しい計画ベンチマークであるTravelPlannerを提案する。
豊富なサンドボックス環境、400万近いデータレコードにアクセスするためのさまざまなツール、計画意図とリファレンスプランを慎重にキュレートした1,225のツールを提供する。
包括的評価では、現在の言語エージェントがそのような複雑な計画タスクを処理できないことが示されており、GPT-4でさえ0.6%の成功率しか達成できない。
論文 参考訳(メタデータ) (2024-02-02T18:39:51Z) - Iterative Planning with Plan-Space Explanations: A Tool and User Study [5.779503104475269]
計画空間の説明を含む,ヒューマンガイドによる反復計画のためのツールを実装した。
このツールは標準のWebブラウザで動作し、開発者とユーザの両方にシンプルなユーザーインターフェイスを提供する。
本研究は,反復計画における計画固有依存性説明の有用性を示す最初のユーザスタディである。
論文 参考訳(メタデータ) (2020-11-19T08:15:13Z)
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。