論文の概要: Experience-Driven Multi-Agent Systems Are Training-free Context-aware Earth Observers

• arxiv url: http://arxiv.org/abs/2602.02559v1
• Date: Fri, 30 Jan 2026 15:11:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:14.933519
• Title: Experience-Driven Multi-Agent Systems Are Training-free Context-aware Earth Observers
• Title（参考訳）: 経験駆動型マルチエージェントシステムは、トレーニング不要なコンテキスト対応地球観測装置である
• Authors: Pengyu Dai, Weihao Xuan, Junjue Wang, Hongruixuan Chen, Jian Song, Yafei Ou, Naoto Yokoya,
• Abstract要約: ツールレベルの専門知識を学習するための自己進化型マルチエージェントシステムである textbfGeoEvolver を紹介する。 GeoEvolverはエンドツーエンドのタスクの成功を継続的に改善し、複数のバックボーンで平均12%向上することを示す。
• 参考スコア（独自算出の注目度）: 27.817039954088315
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent advances have enabled large language model (LLM) agents to solve complex tasks by orchestrating external tools. However, these agents often struggle in specialized, tool-intensive domains that demand long-horizon execution, tight coordination across modalities, and strict adherence to implicit tool constraints. Earth Observation (EO) tasks exemplify this challenge due to the multi-modal and multi-temporal data inputs, as well as the requirements of geo-knowledge constraints (spectrum library, spatial reasoning, etc): many high-level plans can be derailed by subtle execution errors that propagate through a pipeline and invalidate final results. A core difficulty is that existing agents lack a mechanism to learn fine-grained, tool-level expertise from interaction. Without such expertise, they cannot reliably configure tool parameters or recover from mid-execution failures, limiting their effectiveness in complex EO workflows. To address this, we introduce \textbf{GeoEvolver}, a self-evolving multi-agent system~(MAS) that enables LLM agents to acquire EO expertise through structured interaction without any parameter updates. GeoEvolver decomposes each query into independent sub-goals via a retrieval-augmented multi-agent orchestrator, then explores diverse tool-parameter configurations at the sub-goal level. Successful patterns and root-cause attribution from failures are then distilled in an evolving memory bank that provides in-context demonstrations for future queries. Experiments on three tool-integrated EO benchmarks show that GeoEvolver consistently improves end-to-end task success, with an average gain of 12\% across multiple LLM backbones, demonstrating that EO expertise can emerge progressively from efficient, fine-grained interactions with the environment.
• Abstract（参考訳）: 近年,大規模な言語モデル (LLM) エージェントが,外部ツールのオーケストレーションによる複雑なタスクの解決を可能にしている。 しかしながら、これらのエージェントは、長い水平実行、モダリティ間の緊密な調整、暗黙のツール制約への厳格な固執を要求する専門的なツール集約ドメインに苦しむことが多い。 地球観測(EO)タスクは、マルチモーダルデータ入力とマルチテンポラルデータ入力、およびジオ知識制約(スペクトルライブラリ、空間推論など)の要件により、この課題を実証する。 最大の難点は、既存のエージェントが相互作用からきめ細かいツールレベルの専門知識を学ぶメカニズムが欠けていることである。 このような専門知識がなければ、ツールパラメータを確実に設定したり、中間実行時の障害からリカバリすることはできず、複雑なEOワークフローでの有効性を制限することができる。 この問題を解決するために, LLMエージェントがパラメータを更新せずに構造化相互作用を通じてEOの専門知識を取得することができる自己進化型マルチエージェントシステム~(MAS)である \textbf{GeoEvolver} を導入する。 GeoEvolverは、検索拡張マルチエージェントオーケストレータを通じて、各クエリを独立したサブゴールに分解し、サブゴールレベルでさまざまなツールパラメータ設定を探索する。 成功したパターンと失敗による根本原因の属性は、将来的なクエリに対してコンテキスト内デモを提供する進化中のメモリバンクに蒸留される。 3つのツール統合EOベンチマークの実験では、GeoEvolverはエンドツーエンドのタスクの成功を継続的に改善し、複数のLCMバックボーンで平均12\%向上し、EOの専門知識が環境との効率的できめ細かなインタラクションから徐々に発展することを示した。

関連論文リスト

• Code-in-the-Loop Forensics: Agentic Tool Use for Image Forgery Detection [59.04089915447622]
  ForenAgentはインタラクティブなIFDフレームワークで、MLLMが検出対象に関するPythonベースの低レベルツールを自律的に生成、実行、洗練することができる。 人間の推論にインスパイアされた我々は、グローバルな認識、局所的な焦点、反復的探索、そして全体論的偏見を含む動的推論ループを設計する。 実験の結果,ForenAgent は IFD 課題に対する創発的なツール利用能力と反射的推論を示すことがわかった。
  論文  参考訳（メタデータ） (2025-12-18T08:38:44Z)
• Z-Space: A Multi-Agent Tool Orchestration Framework for Enterprise-Grade LLM Automation [3.518072776386001]
  本稿では,データ生成指向型マルチエージェント協調ツール実行フレームワークZ-Spaceを提案する。 このフレームワークはElemeプラットフォームの技術部門にデプロイされており、大規模なテストデータ生成シナリオを提供している。 生産データは、ツール推論における平均トークン消費を96.26%削減していることを示している。
  論文  参考訳（メタデータ） (2025-11-23T03:59:14Z)
• Designing Domain-Specific Agents via Hierarchical Task Abstraction Mechanism [61.01709143437043]
  階層型タスク抽象化機構(HTAM)を中心とした新しいエージェント設計フレームワークを提案する。 具体的には、HTAMは、社会的役割のエミュレーションを超えて、代わりに、複数のエージェントシステムを、あるドメインの固有のタスク依存グラフを反映する論理階層に構造化する。 我々は、複雑な地理空間解析に適したマルチエージェントシステムであるEarthAgentとして、このフレームワークをインスタンス化する。
  論文  参考訳（メタデータ） (2025-11-21T12:25:47Z)
• Agentic Systems in Radiology: Design, Applications, Evaluation, and Challenges [13.53016942028838]
  大型言語モデル(LLM)は、自然言語を使って情報を統合し、指示に従い、推論と計画の形式を実行することができる。 マルチモーダルなデータストリームと複数のシステムにまたがるオーケストレーションによって、ラジオロジーはコンテキストに適応し、繰り返しながら複雑なタスクを自動化するエージェントの恩恵を受けるのに一意に適している。 本稿では, LLMエージェントシステムの設計を概観し, 主要なアプリケーションを強調し, 計画とツール使用の評価方法について議論し, エラーカスケード, ツール使用効率, 健康IT統合といった課題の概要を述べる。
  論文  参考訳（メタデータ） (2025-10-10T13:56:27Z)
• InfiAgent: Self-Evolving Pyramid Agent Framework for Infinite Scenarios [28.65914611521654]
  InfiAgentはピラミッドのようなDAGベースのMulti-Agent Frameworkで、textbfinfiniteのシナリオに適用できる。 InfiAgentはADAS(類似の自動生成エージェントフレームワーク)と比較して9.9%高いパフォーマンスを実現している
  論文  参考訳（メタデータ） (2025-09-26T15:44:09Z)
• ToolACE-MT: Non-Autoregressive Generation for Agentic Multi-Turn Interaction [84.90394416593624]
  大規模言語モデル(LLM)によるエージェント的タスク解決には,多ターン・マルチステップインタラクションが必要である。 既存のシミュレーションベースのデータ生成手法は、複数のエージェント間のコストのかかる自己回帰的相互作用に大きく依存している。 本稿では,高品質なマルチターンエージェント対話を構築するための非自己回帰反復生成フレームワークであるToolACE-MTを提案する。
  論文  参考訳（メタデータ） (2025-08-18T07:38:23Z)
• Learning to Use Tools via Cooperative and Interactive Agents [58.77710337157665]
  ツール学習は、外部ツールを使用してユーティリティを拡張するエージェントとして、大きな言語モデル(LLM)を促進する。 ツール選択,ツール実行,アクションキャリブレーションの3つの特別なエージェントを個別にコーディネートする,協調型対話型エージェントフレームワークであるConAgentsを提案する。 3つのデータセットに対する実験により、LLMは、ConAgentsを装備した場合、大幅に改善されたベースラインよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-03-05T15:08:16Z)

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。