論文の概要: LLM-based Multi-Agent Blackboard System for Information Discovery in Data Science

• arxiv url: http://arxiv.org/abs/2510.01285v1
• Date: Tue, 30 Sep 2025 22:34:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.789438
• Title: LLM-based Multi-Agent Blackboard System for Information Discovery in Data Science
• Title（参考訳）: データサイエンスにおける情報発見のためのマルチエージェントブラックボードシステム
• Authors: Alireza Salemi, Mihir Parmar, Palash Goyal, Yiwen Song, Jinsung Yoon, Hamed Zamani, Hamid Palangi, Tomas Pfister,
• Abstract要約: 従来のAIモデルのためのブラックボードアーキテクチャに着想を得た,新しいマルチエージェント通信パラダイムを提案する。 このフレームワークでは、中央エージェントが共有ブラックボードにリクエストをポストし、自律的な従属エージェントがその能力に基づいて応答する。 明示的なデータ発見を必要とする3つのベンチマークに対して,本手法の評価を行った。
• 参考スコア（独自算出の注目度）: 69.1690891731311
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid advancement of Large Language Models (LLMs) has opened new opportunities in data science, yet their practical deployment is often constrained by the challenge of discovering relevant data within large heterogeneous data lakes. Existing methods struggle with this: single-agent systems are quickly overwhelmed by large, heterogeneous files in the large data lakes, while multi-agent systems designed based on a master-slave paradigm depend on a rigid central controller for task allocation that requires precise knowledge of each sub-agent's capabilities. To address these limitations, we propose a novel multi-agent communication paradigm inspired by the blackboard architecture for traditional AI models. In this framework, a central agent posts requests to a shared blackboard, and autonomous subordinate agents -- either responsible for a partition of the data lake or general information retrieval -- volunteer to respond based on their capabilities. This design improves scalability and flexibility by eliminating the need for a central coordinator to have prior knowledge of all sub-agents' expertise. We evaluate our method on three benchmarks that require explicit data discovery: KramaBench and modified versions of DS-Bench and DA-Code to incorporate data discovery. Experimental results demonstrate that the blackboard architecture substantially outperforms baselines, including RAG and the master-slave multi-agent paradigm, achieving between 13% to 57% relative improvement in end-to-end task success and up to a 9% relative gain in F1 score for data discovery over the best-performing baselines across both proprietary and open-source LLMs. Our findings establish the blackboard paradigm as a scalable and generalizable communication framework for multi-agent systems.
• Abstract（参考訳）: LLM(Large Language Models)の急速な進歩は、データサイエンスにおける新たな機会を開いたが、その実践的展開は、大きな異種データレイク内で関連するデータを発見することの難しさによって制約されることが多い。 既存の手法では、単一エージェントシステムは巨大なデータレイク内の大きな異種ファイルに急速に圧倒される一方、マスタースレーブパラダイムに基づいて設計されたマルチエージェントシステムは、各サブエージェントの能力の正確な知識を必要とするタスク割り当てのための厳格な中央制御器に依存している。 これらの制約に対処するために、従来のAIモデルのためのブラックボードアーキテクチャに着想を得た、新しいマルチエージェント通信パラダイムを提案する。 このフレームワークでは、中央のエージェントが共有されたブラックボードにリクエストをポストし、データレイクの分割や一般的な情報検索の責任を負う自律的な従属エージェントが、その能力に基づいて、ボランティアに応答する。 この設計は、すべてのサブエージェントの専門知識に関する事前知識を持つ中央コーディネータを不要にすることで、スケーラビリティと柔軟性を向上させる。 我々は,明示的なデータ発見を必要とする3つのベンチマーク,KramaBench と DS-Bench と DA-Code の修正版について評価を行った。 実験の結果、ブラックボードアーキテクチャは、RAGやマスタースレーブのマルチエージェントパラダイムを含むベースラインを大幅に上回り、エンドツーエンドのタスク成功における13%から57%の相対的な改善と、プロプライエタリおよびオープンソース両方のLDMにおいて最高のパフォーマンスのベースラインに対するデータ発見におけるF1スコアの最大9%の相対的な増加を実現している。 本研究は,マルチエージェントシステムのためのスケーラブルで汎用的な通信フレームワークとして,ブラックボードのパラダイムを確立した。

関連論文リスト

• Scaling Generalist Data-Analytic Agents [95.05161133349242]
  DataMindは、汎用データ分析エージェントを構築するために設計されたスケーラブルなデータ合成およびエージェントトレーニングレシピである。 DataMindは、オープンソースのデータ分析エージェントを構築する上で重要な3つの課題に取り組む。
  論文  参考訳（メタデータ） (2025-09-29T17:23:08Z)
• MCP-Orchestrated Multi-Agent System for Automated Disinformation Detection [84.75972919995398]
  本稿では,関係抽出を用いてニュース記事の偽情報を検出するマルチエージェントシステムを提案する。 提案したエージェントAIシステムは、(i)機械学習エージェント(ロジスティック回帰)、(ii)Wikipedia知識チェックエージェント、(iv)Webスクラッドデータアナライザの4つのエージェントを組み合わせる。 その結果、マルチエージェントアンサンブルはF1スコア0.964で95.3%の精度を達成し、個々のエージェントや従来のアプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-08-13T19:14:48Z)
• TAIJI: MCP-based Multi-Modal Data Analytics on Data Lakes [25.05627023905607]
  モデルコンテキストプロトコル(MCP)に基づく新しいマルチモーダルデータ分析システムを提案する。 まず,データレイクにおけるマルチモーダルデータのクエリに適したセマンティック演算子階層を定義する。 次に、MPPベースの実行フレームワークを紹介し、各MPPサーバは、特定のデータモダリティに最適化された特別な基礎モデルをホストする。
  論文  参考訳（メタデータ） (2025-05-16T14:03:30Z)
• HM-RAG: Hierarchical Multi-Agent Multimodal Retrieval Augmented Generation [11.53083922927901]
  HM-RAGは階層型マルチエージェントマルチモーダルRAGフレームワークである。 構造化、非構造化、グラフベースのデータ間での動的知識合成のための協調知能の先駆者である。
  論文  参考訳（メタデータ） (2025-04-13T06:55:33Z)
• MAmmoTH-VL: Eliciting Multimodal Reasoning with Instruction Tuning at Scale [66.73529246309033]
  MLLM(Multimodal large language model)は、多モーダルタスクにおいて大きな可能性を秘めている。 既存の命令チューニングデータセットは、中間的合理性のないフレーズレベルの答えのみを提供する。 そこで本研究では,大規模マルチモーダル・インストラクション・チューニング・データセットを構築するためのスケーラブルで費用対効果の高い手法を提案する。
  論文  参考訳（メタデータ） (2024-12-06T18:14:24Z)
• Personalized Federated Fine-Tuning for LLMs via Data-Driven Heterogeneous Model Architectures [15.645254436094055]
  Federated Learning (FL) は、生データにアクセスすることなく、大規模言語モデルの協調的な微調整を可能にする。 データ駆動の異種モデルアーキテクチャを実現する軽量なパーソナライズFLフレームワークであるFedAMoLEを提案する。 実験の結果、FedAMoLEはクライアントサイドのパフォーマンスを既存のアプローチと比べて平均5.14%改善している。
  論文  参考訳（メタデータ） (2024-11-28T13:20:38Z)
• BabelBench: An Omni Benchmark for Code-Driven Analysis of Multimodal and Multistructured Data [61.936320820180875]
  大規模言語モデル(LLM)は、様々な領域でますます重要になっている。 BabelBenchは、コード実行によるマルチモーダルなマルチ構造化データ管理におけるLLMの熟練度を評価する革新的なベンチマークフレームワークである。 BabelBenchの実験結果から,ChatGPT 4のような最先端モデルでさえ,大幅な改善の余地があることが示唆された。
  論文  参考訳（メタデータ） (2024-10-01T15:11:24Z)
• LAMBDA: A Large Model Based Data Agent [7.240586338370509]
  本稿では,LArge Model Based Data Agent (LAMBDA)を紹介する。 LAMBDAは、データ駆動アプリケーションにおけるデータ分析の課題に対処するように設計されている。 それは、人間と人工知能をシームレスに統合することで、データ分析パラダイムを強化する可能性がある。
  論文  参考訳（メタデータ） (2024-07-24T06:26:36Z)
• DiscoveryBench: Towards Data-Driven Discovery with Large Language Models [50.36636396660163]
  我々は、データ駆動探索の多段階プロセスを形式化する最初の包括的なベンチマークであるDiscoveryBenchを紹介する。 我々のベンチマークには、社会学や工学などの6つの分野にまたがる264のタスクが含まれている。 私たちのベンチマークでは、自律的なデータ駆動型発見の課題を説明し、コミュニティが前進するための貴重なリソースとして役立ちます。
  論文  参考訳（メタデータ） (2024-07-01T18:58:22Z)

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。