Combining LLMs with Logic-Based Framework to Explain MCTS

要約

シーケンシャル計画のための人工知能（AI）への信頼の欠如に応じて、モンテカルロツリー検索（MCTS）アルゴリズム向けに設計された計算ツリー論理誘導大言語モデル（LLM）ベースの自然言語説明フレームワークを設計します。
MCTSは、検索ツリーの複雑さのために解釈するのが難しいことが多いことがよくありますが、私たちのフレームワークは、MCTSを中心とした幅広い自由形式の事後クエリと、アプリケーションドメインのマルコフ決定プロセス（MDP）を扱うのに十分な柔軟性があります。
ユーザークエリをロジックおよび変数ステートメントに変換することにより、私たちのフレームワークは、検索ツリーから得られた証拠が、基礎となる環境ダイナミクスと実際の確率制御プロセスの制約と事実上一致し続けることを保証します。
定量的評価を通じてフレームワークを厳密に評価し、精度と事実の一貫性の観点から強力なパフォーマンスを実証します。

要約(オリジナル)

In response to the lack of trust in Artificial Intelligence (AI) for sequential planning, we design a Computational Tree Logic-guided large language model (LLM)-based natural language explanation framework designed for the Monte Carlo Tree Search (MCTS) algorithm. MCTS is often considered challenging to interpret due to the complexity of its search trees, but our framework is flexible enough to handle a wide range of free-form post-hoc queries and knowledge-based inquiries centered around MCTS and the Markov Decision Process (MDP) of the application domain. By transforming user queries into logic and variable statements, our framework ensures that the evidence obtained from the search tree remains factually consistent with the underlying environmental dynamics and any constraints in the actual stochastic control process. We evaluate the framework rigorously through quantitative assessments, where it demonstrates strong performance in terms of accuracy and factual consistency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google