論文の概要: Multi-Agent Debate Strategies to Enhance Requirements Engineering with Large Language Models

• arxiv url: http://arxiv.org/abs/2507.05981v1
• Date: Tue, 08 Jul 2025 13:37:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:38.138856
• Title: Multi-Agent Debate Strategies to Enhance Requirements Engineering with Large Language Models
• Title（参考訳）: 大規模言語モデルによる要求工学の強化のためのマルチエージェント議論戦略
• Authors: Marc Oriol, Quim Motger, Jordi Marco, Xavier Franch,
• Abstract要約: 大規模言語モデル(LLM)エージェントは、様々な要求工学(RE)タスクに広く使われている。 精度の向上に関する研究は、主にプロンプトエンジニアリング、モデルファインチューニング、および検索拡張生成に焦点を当てている。 多様な視点を取り入れたREタスクにおいて,人間の議論が正確さを高め,偏見を減少させるのと同じように,様々なLLMエージェントが議論し,協力することで,同様の改善が達成できる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 3.4829662575293585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Context: Large Language Model (LLM) agents are becoming widely used for various Requirements Engineering (RE) tasks. Research on improving their accuracy mainly focuses on prompt engineering, model fine-tuning, and retrieval augmented generation. However, these methods often treat models as isolated black boxes - relying on single-pass outputs without iterative refinement or collaboration, limiting robustness and adaptability. Objective: We propose that, just as human debates enhance accuracy and reduce bias in RE tasks by incorporating diverse perspectives, different LLM agents debating and collaborating may achieve similar improvements. Our goal is to investigate whether Multi-Agent Debate (MAD) strategies can enhance RE performance. Method: We conducted a systematic study of existing MAD strategies across various domains to identify their key characteristics. To assess their applicability in RE, we implemented and tested a preliminary MAD-based framework for RE classification. Results: Our study identified and categorized several MAD strategies, leading to a taxonomy outlining their core attributes. Our preliminary evaluation demonstrated the feasibility of applying MAD to RE classification. Conclusions: MAD presents a promising approach for improving LLM accuracy in RE tasks. This study provides a foundational understanding of MAD strategies, offering insights for future research and refinements in RE applications.
• Abstract（参考訳）: コンテキスト: 大規模言語モデル(LLM)エージェントは、様々な要求工学(RE)タスクに広く使われています。 精度の向上に関する研究は、主にプロンプトエンジニアリング、モデルファインチューニング、および検索拡張生成に焦点を当てている。 しかしながら、これらの手法はモデルを孤立したブラックボックスとして扱うことが多く、反復的な洗練やコラボレーションなしに単一パス出力に依存し、堅牢性と適応性を制限する。 目的: 多様な視点を取り入れることで, 人間の議論が正確さを高め, 偏見を減少させるのと同じように, 様々なLLMエージェントが議論し, 協力することで, 同様の改善が達成できる可能性が示唆された。 我々の目標は、マルチエージェント・ディベート(MAD)戦略がRE性能を向上させるかどうかを検討することである。 方法:各領域にまたがる既存のMAD戦略の系統的研究を行い,その特徴を同定した。 我々はREにおける適用性を評価するために,RE分類のための予備的MADベースのフレームワークの実装と試験を行った。 結果: 本研究はいくつかのMAD戦略を特定し, 分類し, コア属性を概説した。 予備評価の結果,MADをRE分類に適用できる可能性が示された。 結論: MAD は RE タスクにおける LLM の精度を向上させるための有望なアプローチを示す。 この研究はMAD戦略の基本的な理解を提供し、将来の研究やRE応用の洗練に向けた洞察を提供する。

関連論文リスト

• Revisiting Multi-Agent Debate as Test-Time Scaling: A Systematic Study of Conditional Effectiveness [50.29739337771454]
  マルチエージェントの議論(MAD)アプローチは、モノリシックモデルに対する推論、堅牢性、多様な視点を提供する。 本稿では,MADを実験時間計算のスケーリング手法として概念化し,協調的な改良と多様な探索能力で区別する。 我々は、MADと強力なセルフエージェントテストタイムスケーリングベースラインを数学的推論と安全関連タスクに基づいて比較した総合的な実証的研究を行う。
  論文  参考訳（メタデータ） (2025-05-29T01:02:55Z)
• ReMA: Learning to Meta-think for LLMs with Multi-Agent Reinforcement Learning [53.817538122688944]
  Reinforced Meta-thinking Agents (ReMA) を導入し,Large Language Models (LLMs) の推論からメタ思考行動を求める。 ReMAは、推論プロセスを2つの階層的なエージェントに分解する。戦略上の監視と計画を生成するハイレベルなメタ思考エージェントと、詳細な実行のための低レベルな推論エージェントである。 単ターン実験による実験結果から、ReMAは複雑な推論タスクにおいて単エージェントRLベースラインよりも優れることが示された。
  論文  参考訳（メタデータ） (2025-03-12T16:05:31Z)
• Stop Overvaluing Multi-Agent Debate -- We Must Rethink Evaluation and Embrace Model Heterogeneity [20.408720462383158]
  マルチエージェント討論(MAD)は,大規模言語モデル(LLM)の事実的精度と推論能力を改善するための,将来的な研究ラインとして注目されている。 概念的魅力にもかかわらず、現在のMAD研究は評価実践の限界に悩まされている。 そこで本研究では, 基礎モデルを用いて, 9つのベンチマークにまたがる5つの代表的MAD手法の体系的評価を行った。
  論文  参考訳（メタデータ） (2025-02-12T21:01:10Z)
• Large Multimodal Agents: A Survey [78.81459893884737]
  大規模言語モデル(LLM)は、テキストベースのAIエージェントのパワーで優れたパフォーマンスを実現している。 LLMを利用したAIエージェントをマルチモーダルドメインに拡張することに焦点を当てた、新たな研究トレンドがある。 本総説は, この急速に発展する分野において, 今後の研究に有用な洞察とガイドラインを提供することを目的としている。
  論文  参考訳（メタデータ） (2024-02-23T06:04:23Z)

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。