論文の概要: TabAgent: A Framework for Replacing Agentic Generative Components with Tabular-Textual Classifiers

• arxiv url: http://arxiv.org/abs/2602.16429v1
• Date: Wed, 18 Feb 2026 13:01:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.594513
• Title: TabAgent: A Framework for Replacing Agentic Generative Components with Tabular-Textual Classifiers
• Title（参考訳）: TabAgent: タブラルテキスト分類器によるエージェント生成コンポーネントのリプレースのためのフレームワーク
• Authors: Ido Levy, Eilam Shapira, Yinon Goldshtein, Avi Yaeli, Nir Mashkif, Segev Shlomov,
• Abstract要約: TabAgentは、クローズドセット選択タスクにおける生成決定コンポーネントを、実行トレースに基づいて訓練されたコンパクトテキストタブラリ分類器に置き換えるフレームワークである。 長期のAppWorldベンチマークでは、TabAgentがタスクレベルの成功を維持しながら、ショートリストタイムのLLMコールを排除し、遅延を約95%削減し、推論コストを85～91%削減した。
• 参考スコア（独自算出の注目度）: 5.792704492773729
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agentic systems, AI architectures that autonomously execute multi-step workflows to achieve complex goals, are often built using repeated large language model (LLM) calls for closed-set decision tasks such as routing, shortlisting, gating, and verification. While convenient, this design makes deployments slow and expensive due to cumulative latency and token usage. We propose TabAgent, a framework for replacing generative decision components in closed-set selection tasks with a compact textual-tabular classifier trained on execution traces. TabAgent (i) extracts structured schema, state, and dependency features from trajectories (TabSchema), (ii) augments coverage with schema-aligned synthetic supervision (TabSynth), and (iii) scores candidates with a lightweight classifier (TabHead). On the long-horizon AppWorld benchmark, TabAgent maintains task-level success while eliminating shortlist-time LLM calls, reducing latency by approximately 95% and inference cost by 85-91%. Beyond tool shortlisting, TabAgent generalizes to other agentic decision heads, establishing a paradigm for learned discriminative replacements of generative bottlenecks in production agent architectures.
• Abstract（参考訳）: エージェントシステム、複雑な目標を達成するために複数のステップワークフローを自律的に実行するAIアーキテクチャは、ルーティング、ショートリスト、ゲーティング、検証などのクローズドセット決定タスクを繰り返す言語モデル(LLM)コールを使用して構築されることが多い。 この設計は便利だが、累積レイテンシとトークン使用量のためにデプロイが遅くてコストがかかる。 クローズドセット選択タスクにおける生成決定要素を,実行トレースに基づいて訓練されたコンパクトテキストタブラリ分類器に置き換えるフレームワークであるTabAgentを提案する。 TabAgent i) トラジェクトリ(TabSchema)から構造化スキーマ、状態、依存関係の特徴を抽出する。 (II)スキーマ・アライン・シンセサイザー(TabSynth)によるカバー範囲の拡大、及び (iii)軽量分類器(TabHead)で候補を得点する。 長期のAppWorldベンチマークでは、TabAgentがタスクレベルの成功を維持しながら、ショートリストタイムのLLMコールを排除し、遅延を約95%削減し、推論コストを85～91%削減した。 ツールのショートリスト以外にも、TabAgentは他のエージェント決定ヘッドに一般化し、プロダクションエージェントアーキテクチャにおける生成的ボトルネックの識別的置き換えを学習するためのパラダイムを確立している。

関連論文リスト

• AOrchestra: Automating Sub-Agent Creation for Agentic Orchestration [36.04766562662082]
  AOrchestraはフレームワークに依存しないエージェント抽象化で、任意のエージェントをインストラクション、コンテキストツール、モデルとしてモデル化する。 タスク関連コンテキスト、ツール、モデルをキュレートし、オンザフライで自動エージェント生成を通じて実行を委譲する。 AOrchestraはGeminiと組んで最強のベースラインに対して16.28%の相対的な改善を達成した。
  論文  参考訳（メタデータ） (2026-02-03T17:46:16Z)
• Towards Efficient Agents: A Co-Design of Inference Architecture and System [66.59916327634639]
  本稿では,エージェントアクセラレーションのための統合フレームワークであるAgentInferを提案する。 問題をAgentCollab、AgentSched、AgentSAM、AgentCompressの4つの相乗的コンポーネントに分解する。 BrowseComp-zhとDeepDiverベンチマークの実験では、これらの手法の相乗的コラボレーションを通じて、AgentInferは非効率なトークン消費を50%以上削減することを示した。
  論文  参考訳（メタデータ） (2025-12-20T12:06:13Z)
• 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)
• Open Agent Specification (Agent Spec): A Unified Representation for AI Agents [10.685555728094338]
  我々はAIエージェントとエージェントを定義する宣言型言語Open Agent Specification(Agent Spec)を紹介する。 Agent Specは、コンポーネント、コントロールとデータフローのセマンティクス、スキーマの共通セットを定義し、エージェントを一度定義し、異なるランタイム間で実行できるようにする。
  論文  参考訳（メタデータ） (2025-10-05T12:26:42Z)
• RCR-Router: Efficient Role-Aware Context Routing for Multi-Agent LLM Systems with Structured Memory [57.449129198822476]
  RCRは、マルチエージェント大言語モデル(LLM)システムのためのロールアウェアコンテキストルーティングフレームワークである。 役割とタスクステージに基づいて、各エージェントに対して意味的に関連するメモリサブセットを動的に選択する。 軽量スコアリングポリシは、メモリ選択をガイドし、エージェント出力を共有メモリストアに統合する。
  論文  参考訳（メタデータ） (2025-08-06T21:59:34Z)
• Gradientsys: A Multi-Agent LLM Scheduler with ReAct Orchestration [4.66888457790348]
  次世代マルチエージェントスケジューリングフレームワークであるGradientsysを紹介する。 型付きモデルコンテキストプロトコル(MCP)とReActベースの動的計画ループを使用して、さまざまなAIエージェントを協調する。 GAIA General-Asistantベンチマークの実験によると、Gradientsysはレイテンシの低減とAPIコストの低減により、タスクの成功率の向上を実現している。
  論文  参考訳（メタデータ） (2025-07-09T03:40:56Z)
• PC-Agent: A Hierarchical Multi-Agent Collaboration Framework for Complex Task Automation on PC [98.82146219495792]
  本稿では,PC-Agentという階層型エージェントフレームワークを提案する。 認識の観点からは,現在のMLLMのスクリーンショットコンテンツに対する認識能力の不十分さを克服するために,アクティブ知覚モジュール(APM)を考案する。 意思決定の観点から、複雑なユーザ命令や相互依存サブタスクをより効果的に扱うために、階層的なマルチエージェント協調アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-02-20T05:41:55Z)
• A Unified and Efficient Coordinating Framework for Autonomous DBMS Tuning [34.85351481228439]
  既存のMLベースのエージェントを効率的に活用するための統合コーディネートフレームワークを提案する。 機械学習ベースのエージェントを効果的に利用し、ワークロードの実行時間に1.414.1Xのスピードアップでより良い設定を実現できることを示す。
  論文  参考訳（メタデータ） (2023-03-10T05:27:23Z)

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。