AGEL-Comp：インタラクティブ・エージェントにおける合成的汎化のためのニューラル記号論的フレームワーク

要旨: 大規模言語モデル（LLM）ベースのエージェントは、合成的（コンポジショナル）汎化において体系的な失敗を示し、対話的な環境における頑健性が制限されます。本研究では、この課題に対処するために、エージェントの行動を根拠づけ（グラウンディング）することを目的とした神経記号（neuro-symbolic）AIエージェント・アーキテクチャであるAGEL-Compを提案します。AGEL-Compは、3つの中核的な革新を統合しています:（1）世界モデルとして機能する動的因果プログラムグラフ（Causal Program Graph, CPG）。手続き的および因果的な知識を、有向ハイパーグラフとして表現します。（2）経験的フィードバックから新しいホーン節（Horn clause）を合成する帰納論理プログラミング（Inductive Logic Programming, ILP）エンジン。相互作用によって記号的知識を根拠づけます。（3）ハイブリッド推論コア。LLMが候補となる一連のサブ目標（sub-goals）を提案し、それらがニューラル定理証明器（Neural Theorem Prover, NTP）によって論理的整合性について検証されます。これらの構成要素により、演繹（deduction）--仮説形成（abduction）の学習サイクルが実行可能になります。すなわち、エージェントが計画を演繹できるようにし、また仮説形成的にその記号的な世界モデルを拡張できるようにします。さらに、ニューラル適応フェーズによって推論エンジンを新しい知識に整合させ続けます。私たちは、AGELエージェントを評価するために、
\texttt{Retro Quest} シミュレーション環境内で、合成的汎化のシナリオを探索する評価プロトコルを提案します。得られた結果は、純粋なLLMベースのモデルよりも、私たちのAGELモデルが明確に優れた性能を示すことをはっきりと示しています。本フレームワークは、明示的で解釈可能かつ合成的に構造化された、世界理解を構築するエージェントに向けた、原理に基づく道筋を提示します。