論文の概要: BayesFlow: A Probability Inference Framework for Meta-Agent Assisted Workflow Generation

• arxiv url: http://arxiv.org/abs/2601.22305v1
• Date: Thu, 29 Jan 2026 20:43:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.052643
• Title: BayesFlow: A Probability Inference Framework for Meta-Agent Assisted Workflow Generation
• Title（参考訳）: BayesFlow: メタエージェントによるワークフロー生成のための確率推論フレームワーク
• Authors: Bo Yuan, Yun Zhou, Zhichao Xu, Kiran Ramnath, Aosong Feng, Balasubramaniam Srinivasan,
• Abstract要約: textbfBayesian Generation (BWG)は、並列ルックアヘッドロールアウトを用いて、重要重み付けのためにステップバイステップで構築するサンプリングフレームワークである。 精製器を使わずに、重み付けされた経験分布が対象の後方に収束することを証明する。 BayesFlowは、SOTAワークフロー生成ベースラインで最大9ポイント、ゼロショットプロンプトで最大65ポイントの精度向上を実現している。
• 参考スコア（独自算出の注目度）: 12.637030045464693
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic workflow generation is the process of automatically synthesizing sequences of LLM calls, tool invocations, and post-processing steps for complex end-to-end tasks. Most prior methods cast this task as an optimization problem with limited theoretical grounding. We propose to cast workflow generation as Bayesian inference over a posterior distribution on workflows, and introduce \textbf{Bayesian Workflow Generation (BWG)}, a sampling framework that builds workflows step-by-step using parallel look-ahead rollouts for importance weighting and a sequential in-loop refiner for pool-wide improvements. We prove that, without the refiner, the weighted empirical distribution converges to the target posterior. We instantiate BWG as \textbf{BayesFlow}, a training-free algorithm for workflow construction. Across six benchmark datasets, BayesFlow improves accuracy by up to 9 percentage points over SOTA workflow generation baselines and by up to 65 percentage points over zero-shot prompting, establishing BWG as a principled upgrade to search-based workflow design. Code will be available on https://github.com/BoYuanVisionary/BayesFlow.
• Abstract（参考訳）: 自動ワークフロー生成は、複雑なエンドツーエンドタスクのためのLLM呼び出し、ツール呼び出し、後処理ステップのシーケンスを自動的に合成するプロセスである。 従来の手法では、このタスクは理論的な基礎を限定した最適化問題として扱われていた。 本稿では,ワークフローの後方分布に対するベイズ的推論としてワークフロー生成を提案するとともに,ワークフローをステップバイステップで構築するサンプリングフレームワークである‘textbf{Bayesian Workflow Generation(BWG)’を導入し,重み付けを重要視する並列ルックアヘッドロールアウトと,プール全体の改善のためのシーケンシャルインループリファインダを提案する。 精製器を使わずに、重み付けされた経験分布が対象の後方に収束することを証明する。 BWG をワークフロー構築のためのトレーニングフリーアルゴリズムである \textbf{BayesFlow} としてインスタンス化する。 6つのベンチマークデータセットを通じて、BayesFlowは、SOTAワークフロー生成ベースラインよりも最大9ポイント、ゼロショットプロンプトよりも最大65ポイントの精度向上を実現している。 コードはhttps://github.com/BoYuanVisionary/BayesFlowで入手できる。

関連論文リスト

• Do We Always Need Query-Level Workflows? Rethinking Agentic Workflow Generation for Multi-Agent Systems [72.3575737073235]
  マルチエージェントシステム(MAS)は、複数のエージェントを協調することで複雑なタスクを解決する。 既存のアプローチはタスクレベルかクエリレベルで生成されるが、その相対的なコストと利点は未だ不明である。 クエリレベルのワークフロー生成は必ずしも必要ではない、なぜなら、トップKレベルのタスクレベルの小さなセットが、すでに同等あるいはそれ以上のクエリをカバーしているからだ。
  論文  参考訳（メタデータ） (2026-01-16T10:05:51Z)
• ScoreFlow: Mastering LLM Agent Workflows via Score-based Preference Optimization [51.280919773837645]
  エージェントワークフロー最適化のための高性能フレームワークであるScoreFlowを開発した。 ScoreFlowは、量的フィードバックを考慮に入れた直接選好最適化手法の新たな変種であるScore-DPOを組み込んでいる。 質問応答、コーディング、数学的推論を通じて、既存のベースラインよりも8.2%改善されている。
  論文  参考訳（メタデータ） (2025-02-06T18:47:49Z)
• WorkflowLLM: Enhancing Workflow Orchestration Capability of Large Language Models [105.46456444315693]
  ワークフローオーケストレーションにおける大規模言語モデルの能力を高めるための,データ中心のフレームワークであるLLMを提案する。 最初は106,763のサンプルで大規模な微調整Benchを構築し、28のカテゴリにわたる83のアプリケーションから1,503のAPIをカバーしている。 LlamaLlamaは複雑なAPIをオーケストレーションする能力を示しながら、優れた一般化性能を実現している。
  論文  参考訳（メタデータ） (2024-11-08T09:58:02Z)
• AFlow: Automating Agentic Workflow Generation [36.61172223528231]
  大規模言語モデル(LLM)は、様々な領域にわたる複雑なタスクを解く上で、顕著な可能性を示している。 我々は、Monte Carlo Tree Searchを使って、この空間を効率的に探索する自動化フレームワークであるAFlowを紹介します。 6つのベンチマークデータセットに対する実証的な評価は、AFlowの有効性を示し、最先端のベースラインよりも平均5.7%向上している。
  論文  参考訳（メタデータ） (2024-10-14T17:40:40Z)
• Benchmarking Agentic Workflow Generation [80.74757493266057]
  複数面シナリオと複雑なグラフワークフロー構造を備えた統合ワークフロー生成ベンチマークであるWorfBenchを紹介する。 また,サブシーケンスとサブグラフマッチングアルゴリズムを利用したシステム評価プロトコルWorfEvalを提案する。 我々は、生成されたタスクが下流のタスクを強化し、推論中により少ない時間で優れたパフォーマンスを達成することを観察する。
  論文  参考訳（メタデータ） (2024-10-10T12:41:19Z)

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。