論文の概要: MAC: A Multi-Agent Framework for Interactive User Clarification in Multi-turn Conversations

• arxiv url: http://arxiv.org/abs/2512.13154v1
• Date: Mon, 15 Dec 2025 10:02:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.616513
• Title: MAC: A Multi-Agent Framework for Interactive User Clarification in Multi-turn Conversations
• Title（参考訳）: MAC:マルチターン会話における対話的ユーザ明確化のためのマルチエージェントフレームワーク
• Authors: Emre Can Acikgoz, Jinoh Oh, Joo Hyuk Jeon, Jie Hao, Heng Ji, Dilek Hakkani-Tür, Gokhan Tur, Xiang Li, Chengyuan Ma, Xing Fan,
• Abstract要約: 本稿では,ユーザのあいまいさを解決するための対話型マルチエージェントフレームワークを提案する。 MultiWOZ 2.4の実証的な評価は、両レベルでの明確化がタスク成功率7.8%(54.5～62.3)を増加させ、必要なユーザ情報を事前に抽出し、繰り返しを最小化することで、対話のターン数(6.53～4.86)を減少させることを示した。
• 参考スコア（独自算出の注目度）: 46.70182219204539
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conversational agents often encounter ambiguous user requests, requiring an effective clarification to successfully complete tasks. While recent advancements in real-world applications favor multi-agent architectures to manage complex conversational scenarios efficiently, ambiguity resolution remains a critical and underexplored challenge--particularly due to the difficulty of determining which agent should initiate a clarification and how agents should coordinate their actions when faced with uncertain or incomplete user input. The fundamental questions of when to interrupt a user and how to formulate the optimal clarification query within the most optimal multi-agent settings remain open. In this paper, we propose MAC (Multi-Agent Clarification), an interactive multi-agent framework specifically optimized to resolve user ambiguities by strategically managing clarification dialogues. We first introduce a novel taxonomy categorizing user ambiguities to systematically guide clarification strategies. Then, we present MAC that autonomously coordinates multiple agents to interact synergistically with users. Empirical evaluations on MultiWOZ 2.4 demonstrate that enabling clarification at both levels increases task success rate 7.8\% (54.5 to 62.3) and reduces the average number of dialogue turns (6.53 to 4.86) by eliciting all required user information up front and minimizing repetition. Our findings highlight the importance of active user interaction and role-aware clarification for more reliable human-agent communication.
• Abstract（参考訳）: 会話エージェントは、しばしばあいまいなユーザリクエストに遭遇し、タスクを成功させるために効果的な明確化を必要とします。 現実のアプリケーションにおける最近の進歩は、複雑な会話シナリオを効率的に管理するマルチエージェントアーキテクチャを好んでいるが、あいまいさの解決は重要な課題であり、特に、不確実または不完全なユーザ入力に直面した場合、エージェントがどのように行動を調整するべきかを明確にすることの難しさが原因である。 ユーザを割り込むタイミングと、最も最適なマルチエージェント設定内での最適な明確化クエリの定式化に関する基本的な質問は、まだオープンのままである。 本稿では,対話型マルチエージェントフレームワークMAC(Multi-Agent Clarification)を提案する。 まず, ユーザのあいまいさを分類し, 明確化戦略を体系的に導く新しい分類法を提案する。 次に,複数のエージェントを自律的にコーディネートしてユーザとシナジスティックに対話するMACを提案する。 MultiWOZ 2.4の実証的な評価は、両レベルでの明確化がタスク成功率7.8\%(54.5〜62.3)を増加させ、必要なユーザ情報をすべて事前に抽出し、繰り返しを最小化することで、対話のターン数(6.53～4.86)を減少させることを示した。 本研究は,より信頼性の高い人-エージェントコミュニケーションにおいて,アクティブなユーザインタラクションと役割意識の明確化の重要性を強調した。

関連論文リスト

• Adaptive Multi-Agent Response Refinement in Conversational Systems [33.2240994465021]
  大規模言語モデル (LLM) は人間のような応答を生成することで会話システムにおいて顕著な成功を収めた。 特にパーソナライズや特定の知識を考慮に入れる必要がある場合、それらは不足する可能性がある。 本稿では,各エージェントが各アスペクトに対して特定の役割を割り当てられるマルチエージェントフレームワークによる応答の精細化を提案する。
  論文  参考訳（メタデータ） (2025-11-11T14:48:34Z)
• AnyMAC: Cascading Flexible Multi-Agent Collaboration via Next-Agent Prediction [77.62279834617475]
  本稿では,グラフ構造ではなくシーケンシャル構造を用いて,マルチエージェント協調を再考するフレームワークを提案する。 提案手法は,(1)各ステップで最も適したエージェントロールを選択するNext-Agent Predictionと,(2)各エージェントが前ステップから関連する情報にアクセスできるようにするNext-Context Selectionの2つの重要な方向に焦点を当てる。
  論文  参考訳（メタデータ） (2025-06-21T18:34:43Z)
• InfoQuest: Evaluating Multi-Turn Dialogue Agents for Open-Ended Conversations with Hidden Context [4.262907114077643]
  大きな言語モデルは明示的な指示に従う点で優れているが、曖昧さや不完全なユーザリクエストに悩まされることが多い。 オープンエンドのユーザリクエストにおいて、対話エージェントが隠れコンテキストをどのように扱うかを評価するために設計されたベンチマークであるInfoQuestを紹介する。
  論文  参考訳（メタデータ） (2025-02-17T19:01:10Z)
• ReSpAct: Harmonizing Reasoning, Speaking, and Acting Towards Building Large Language Model-Based Conversational AI Agents [11.118991548784459]
  大規模言語モデル(LLM)ベースのエージェントは、ますます外部環境との対話に使われている。 ReSpActは、タスク解決のための推論、意思決定、動的対話をシームレスに統合するように設計されている。 タスク指向対話システム(MultiWOZ)や意思決定タスク(ALFWorld, WebShop)を含むユーザインタラクション設定におけるReSpActの評価を行う。
  論文  参考訳（メタデータ） (2024-11-01T15:57:45Z)
• Adaptive In-conversation Team Building for Language Model Agents [33.03550687362213]
  複数の大規模言語モデル(LLM)エージェントを活用することは、複雑なタスクに取り組む上で有望なアプローチであることが示されている。 私たちの新しい適応型チーム構築パラダイムは、Captain Agentという新しいエージェント設計を通じて実現された柔軟なソリューションを提供します。 6つの実世界のシナリオに対する包括的な評価は、Captain Agentが既存のマルチエージェントメソッドを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2024-05-29T18:08:37Z)
• Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents [110.25679611755962]
  現在の言語モデル駆動エージェントは、しばしば効果的なユーザ参加のメカニズムを欠いている。 Intention-in-Interaction (IN3) は明示的なクエリを通してユーザの暗黙の意図を検査するための新しいベンチマークである。 私たちは、タスクの曖昧さを積極的に評価し、ユーザの意図を問う強力なモデルであるMistral-Interactを経験的に訓練し、それらを実行可能な目標へと洗練させます。
  論文  参考訳（メタデータ） (2024-02-14T14:36:30Z)
• AgentCF: Collaborative Learning with Autonomous Language Agents for Recommender Systems [112.76941157194544]
  本稿では,エージェントベースの協調フィルタリングにより,レコメンデータシステムにおけるユーザとイテムのインタラクションをシミュレートするエージェントCFを提案する。 我々は、ユーザだけでなく、アイテムをエージェントとして、創造的に考慮し、両方のエージェントを同時に最適化する協調学習アプローチを開発します。 全体として、最適化されたエージェントは、ユーザ・イテム、ユーザ・ユーザ・ユーザ、アイテム・イテム、集合的インタラクションなど、フレームワーク内での多様なインタラクションの振る舞いを示す。
  論文  参考訳（メタデータ） (2023-10-13T16:37:14Z)

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。