論文の概要: NG-Router: Graph-Supervised Multi-Agent Collaboration for Nutrition Question Answering

• arxiv url: http://arxiv.org/abs/2510.09854v1
• Date: Fri, 10 Oct 2025 20:38:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.652149
• Title: NG-Router: Graph-Supervised Multi-Agent Collaboration for Nutrition Question Answering
• Title（参考訳）: NG-Router:栄養質問応答のためのグラフスーパービジョン多エージェントコラボレーション
• Authors: Kaiwen Shi, Zheyuan Zhang, Zhengqing Yuan, Keerthiram Murugesan, Vincent Galass, Chuxu Zhang, Yanfang Ye,
• Abstract要約: 食事は人間の健康において中心的な役割を担い、栄養質問回答(QA)はパーソナライズされた食事指導への有望な道を提供する。 既存の手法は、単一エージェントシステムの限られた推論能力と、効果的なマルチエージェントアーキテクチャを設計する複雑さの2つの根本的な課題に直面している。 本稿では,栄養QAを教師付き知識グラフ誘導多エージェント協調問題として定式化する新しいフレームワークであるNutritional-Graph Router(NG-)を紹介する。
• 参考スコア（独自算出の注目度）: 44.548216354460884
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diet plays a central role in human health, and Nutrition Question Answering (QA) offers a promising path toward personalized dietary guidance and the prevention of diet-related chronic diseases. However, existing methods face two fundamental challenges: the limited reasoning capacity of single-agent systems and the complexity of designing effective multi-agent architectures, as well as contextual overload that hinders accurate decision-making. We introduce Nutritional-Graph Router (NG-Router), a novel framework that formulates nutritional QA as a supervised, knowledge-graph-guided multi-agent collaboration problem. NG-Router integrates agent nodes into heterogeneous knowledge graphs and employs a graph neural network to learn task-aware routing distributions over agents, leveraging soft supervision derived from empirical agent performance. To further address contextual overload, we propose a gradient-based subgraph retrieval mechanism that identifies salient evidence during training, thereby enhancing multi-hop and relational reasoning. Extensive experiments across multiple benchmarks and backbone models demonstrate that NG-Router consistently outperforms both single-agent and ensemble baselines, offering a principled approach to domain-aware multi-agent reasoning for complex nutritional health tasks.
• Abstract（参考訳）: 食事は人間の健康において中心的な役割を担い、栄養質問回答(QA)は、パーソナライズされた食事指導と食生活関連慢性疾患の予防に向けた有望な道を提供する。 しかし、既存の手法は、単一エージェントシステムの限られた推論能力と効果的なマルチエージェントアーキテクチャを設計する複雑さと、正確な意思決定を妨げるコンテキストオーバーロードの2つの根本的な課題に直面している。 本稿では,栄養QAを教師付き知識グラフ誘導多エージェント協調問題として定式化する新しいフレームワークであるNutritional-Graph Router(NG-Router)を紹介する。 NG-Routerはエージェントノードを異種知識グラフに統合し、グラフニューラルネットワークを使用してエージェント上のタスク対応ルーティング分布を学習し、経験的エージェントのパフォーマンスから派生したソフトインスペクションを活用する。 そこで本研究では,学習中の有意な証拠を識別し,マルチホップおよびリレーショナル推論の強化を図るための,勾配に基づく部分グラフ検索機構を提案する。 複数のベンチマークとバックボーンモデルにわたる大規模な実験により、NG-Routerは単一エージェントとアンサンブルベースラインの両方を一貫して上回り、複雑な栄養健康タスクに対するドメイン対応マルチエージェント推論に対する原則化されたアプローチを提供する。

関連論文リスト

• AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
  tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。 エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
  論文  参考訳（メタデータ） (2025-10-06T23:20:49Z)
• Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
  Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。 本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
  論文  参考訳（メタデータ） (2025-06-22T16:52:48Z)
• MA-RAG: Multi-Agent Retrieval-Augmented Generation via Collaborative Chain-of-Thought Reasoning [36.3918410061572]
  MA-RAGは、複雑な情報探索タスクにおける固有の曖昧さと推論の問題に対処する。 エンドツーエンドの微調整や分離されたコンポーネント拡張に依存する従来のRAGメソッドとは異なり、MA-RAGは特別なAIエージェントの協調的なセットを編成する。 本結果は,検索強化システムにおける協調的,モジュール型推論の有効性を浮き彫りにしたものである。
  論文  参考訳（メタデータ） (2025-05-26T15:05:18Z)
• Towards Human-Level Understanding of Complex Process Engineering Schematics: A Pedagogical, Introspective Multi-Agent Framework for Open-Domain Question Answering [0.0]
  化学・プロセス産業では、プロセス・フロー・ダイアグラム(PFD)とパイプ・アンド・インスツルメンテーション・ダイアグラム(P&ID)が設計、建設、保守に不可欠である。 生成型AIの最近の進歩は、ビジュアル質問回答(VQA)のプロセス図の理解と解釈の約束を示している。 本稿では,階層的かつマルチエージェントなRetrieval Augmented Generation(RAG)フレームワークを用いた,セキュアでオンプレミスなエンタープライズソリューションを提案する。
  論文  参考訳（メタデータ） (2024-08-24T19:34:04Z)
• Enhancing Heterogeneous Multi-Agent Cooperation in Decentralized MARL via GNN-driven Intrinsic Rewards [1.179778723980276]
  MARL(Multi-agent Reinforcement Learning)は、シーケンシャルな意思決定と制御タスクの鍵となるフレームワークである。 これらのシステムを現実のシナリオに展開するには、分散トレーニング、多様なエージェントセット、そして頻繁な環境報酬信号から学ぶ必要がある。 我々は,新しいグラフニューラルネットワーク(GNN)に基づく本質的なモチベーションを利用して,異種エージェントポリシーの学習を容易にするCoHetアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-12T21:38:40Z)
• RoDE: Linear Rectified Mixture of Diverse Experts for Food Large Multi-Modal Models [96.43285670458803]
  Uni-Foodは、さまざまな食品ラベルを持つ10万以上の画像からなる統合食品データセットである。 Uni-Foodは、食品データ分析に対するより包括的なアプローチを提供するように設計されている。 本稿では,食品関連マルチタスキングの課題に対処するため,新しいリニア・リクティフィケーション・ミックス・オブ・ディバース・エキスパート (RoDE) アプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-17T16:49:34Z)

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。