Fugu-MT 論文翻訳(概要): Agentic AutoSurvey: Let LLMs Survey LLMs

論文の概要: Agentic AutoSurvey: Let LLMs Survey LLMs

arxiv url: http://arxiv.org/abs/2509.18661v1
Date: Tue, 23 Sep 2025 05:28:43 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-24 20:41:27.717207
Title: Agentic AutoSurvey: Let LLMs Survey LLMs
Title（参考訳）: エージェントオートサーベイ: LLMがLLMを調査する
Authors: Yixin Liu, Yonghui Wu, Denghui Zhang, Lichao Sun,
Abstract要約: 自動サーベイ生成のためのマルチエージェントフレームワークである textbfAgentic AutoSurvey を提案する。本システムでは, 総合的な文献調査を優れた合成品質で作成するために, 共同作業を行う専門エージェント(ページ検索スペシャリスト, トピックマイニング・クラスタリング, アカデミックサーベイライター, 品質評価者)を4名採用している。
参考スコア（独自算出の注目度）: 31.13281166545961
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The exponential growth of scientific literature poses unprecedented challenges for researchers attempting to synthesize knowledge across rapidly evolving fields. We present \textbf{Agentic AutoSurvey}, a multi-agent framework for automated survey generation that addresses fundamental limitations in existing approaches. Our system employs four specialized agents (Paper Search Specialist, Topic Mining \& Clustering, Academic Survey Writer, and Quality Evaluator) working in concert to generate comprehensive literature surveys with superior synthesis quality. Through experiments on six representative LLM research topics from COLM 2024 categories, we demonstrate that our multi-agent approach achieves significant improvements over existing baselines, scoring 8.18/10 compared to AutoSurvey's 4.77/10. The multi-agent architecture processes 75--443 papers per topic (847 total across six topics) while targeting high citation coverage (often $\geq$80\% on 75--100-paper sets; lower on very large sets such as RLHF) through specialized agent orchestration. Our 12-dimension evaluation captures organization, synthesis integration, and critical analysis beyond basic metrics. These findings demonstrate that multi-agent architectures represent a meaningful advancement for automated literature survey generation in rapidly evolving scientific domains.
Abstract（参考訳）: 科学文献の指数的な成長は、急速に発展する分野の知識を合成しようとする研究者にとって、前例のない挑戦である。本稿では,既存のアプローチの基本的制約に対処する,自動サーベイ生成のためのマルチエージェントフレームワークである‘textbf{Agentic AutoSurvey} を紹介する。本システムでは, 総合的な文献調査を優れた合成品質で作成するために, 共同作業を行う専門エージェント(ページ検索スペシャリスト, トピックマイニング・クラスタリング, アカデミックサーベイライタ, 品質評価器)を4つ採用している。 COLM 2024カテゴリの6つの代表的なLCM研究トピックの実験を通じて、我々は、AutoSurveyの4.77/10に比べて8.18/10で、既存のベースラインを大幅に改善したマルチエージェントアプローチを実証した。マルチエージェントアーキテクチャプロセスは、75--443のトピック毎の論文(合計6つのトピックで847件)を処理し、高い引用カバレッジ(75-100ページセットでは$\geq$80\%、RLHFのような非常に大きなセットでは低い)をターゲットにしている。 12次元評価は、基本的な指標を超えた組織、合成統合、重要な分析をキャプチャします。これらの結果から, マルチエージェントアーキテクチャは, 急速に発展する科学領域において, 自動文献サーベイ生成の有意義な進展を示すことが示唆された。

関連論文リスト

SurveyGen: Quality-Aware Scientific Survey Generation with Large Language Models [14.855783196702191]
さまざまな科学的領域にわたる4,200以上の人手による調査からなる大規模データセットであるSurveyGenを提示する。調査生成のための新しい品質認識フレームワークであるQUIL-SGを構築した。
論文参考訳（メタデータ） (2025-08-25T04:22:23Z)
Benchmarking Computer Science Survey Generation [18.844790013427282]
SurGE(Survey Generation Evaluation)は、コンピュータサイエンス領域における科学的サーベイ生成を評価するための新しいベンチマークである。 SurGEは,(1)トピック記述,専門家による調査,および参照参照の完全なセットを含む一連のテストインスタンスと,(2)検索プールとして機能する100万以上の論文からなる大規模学術コーパスから構成される。さらに,情報カバレッジ,参照精度,構造組織,コンテンツ品質の4次元にわたる自動評価フレームワークを提案する。
論文参考訳（メタデータ） (2025-08-21T15:45:10Z)
HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
論文参考訳（メタデータ） (2025-08-01T20:30:42Z)
SciSage: A Multi-Agent Framework for High-Quality Scientific Survey Generation [2.985620880452744]
SciSageはリフレクション・ワン・ユー・ライト・パラダイムを使ったマルチエージェント・フレームワークである。アウトライン、セクション、ドキュメントレベルでのドラフトを批判的に評価し、クエリの解釈、コンテンツ検索、洗練のための特別なエージェントと協調する。また、11のコンピュータサイエンス領域にわたる46のハイインパクト論文(2020-2025)のベンチマークであるSurveyScopeをリリースしています。
論文参考訳（メタデータ） (2025-06-15T02:23:47Z)
DeepResearch Bench: A Comprehensive Benchmark for Deep Research Agents [30.768405850755602]
DeepResearch Benchは100のPhDレベルの研究タスクからなるベンチマークである。ディープリサーチエージェントの評価は本質的に複雑で、労働集約的である。本稿では,人間の判断に強く適合する2つの新しい手法を提案する。
論文参考訳（メタデータ） (2025-06-13T13:17:32Z)
Large Language Model Agent: A Survey on Methodology, Applications and Challenges [88.3032929492409]
大きな言語モデル(LLM)エージェントは、目標駆動の振る舞いと動的適応能力を持ち、人工知能への重要な経路を示す可能性がある。本調査は, LLMエージェントシステムを方法論中心の分類法により体系的に分解する。私たちの作業は、エージェントの構築方法、コラボレーション方法、時間の経過とともにどのように進化するか、という、統一されたアーキテクチャの視点を提供します。
論文参考訳（メタデータ） (2025-03-27T12:50:17Z)
SciRIFF: A Resource to Enhance Language Model Instruction-Following over Scientific Literature [80.49349719239584]
SciRIFF(Scientific Resource for Instruction-Following and Finetuning, SciRIFF)は、54のタスクに対して137Kの命令追従デモのデータセットである。 SciRIFFは、幅広い科学分野の研究文献から情報を抽出し、合成することに焦点を当てた最初のデータセットである。
論文参考訳（メタデータ） (2024-06-10T21:22:08Z)
ResearchAgent: Iterative Research Idea Generation over Scientific Literature with Large Language Models [56.08917291606421]
ResearchAgentは、新しい作品のアイデアと運用のためのAIベースのシステムである。 ResearchAgentは、新しい問題を自動で定義し、手法と設計実験を提案し、繰り返し修正する。我々は、複数の分野にわたる科学論文に関するResearchAgentを実験的に検証した。
論文参考訳（メタデータ） (2024-04-11T13:36:29Z)
A Survey on Large Language Model based Autonomous Agents [105.2509166861984]
大規模言語モデル(LLM)は、人間レベルの知性を達成する上で、顕著な可能性を示している。本稿では,LLMに基づく自律エージェントの分野を総合的な観点から体系的に検討する。本稿では、社会科学、自然科学、工学の分野におけるLLMベースの自律エージェントの多様な応用について概観する。
論文参考訳（メタデータ） (2023-08-22T13:30:37Z)

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。