論文の概要: InterDeepResearch: Enabling Human-Agent Collaborative Information Seeking through Interactive Deep Research

• arxiv url: http://arxiv.org/abs/2603.12608v1
• Date: Fri, 13 Mar 2026 03:23:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.873722
• Title: InterDeepResearch: Enabling Human-Agent Collaborative Information Seeking through Interactive Deep Research
• Title（参考訳）: InterDeepResearch: 対話型ディープリサーチによる人間工学的コラボレーション情報の活用
• Abstract要約: 本稿では,エージェント研究プロセスにおける人間とループのコラボレーションの欠如について論じる。 我々は、専用の研究コンテキスト管理フレームワークによって支援されたインタラクティブなディープリサーチシステムであるInterDeepResearchを提案する。
• 参考スコア（独自算出の注目度）: 14.005603288497397
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep research systems powered by LLM agents have transformed complex information seeking by automating the iterative retrieval, filtering, and synthesis of insights from massive-scale web sources. However, existing systems predominantly follow an autonomous "query-to-report" paradigm, limiting users to a passive role and failing to integrate their personal insights, contextual knowledge, and evolving research intents. This paper addresses the lack of human-in-the-loop collaboration in the agentic research process. Through a formative study, we identify that current systems hinder effective human-agent collaboration in terms of process observability, real-time steerability, and context navigation efficiency. Informed by these findings, we propose InterDeepResearch, an interactive deep research system backed by a dedicated research context management framework. The framework organizes research context into a hierarchical architecture with three levels (information, actions, and sessions), enabling dynamic context reduction to prevent LLM context exhaustion and cross-action backtracing for evidence provenance. Built upon this framework, the system interface integrates three coordinated views for visual sensemaking, and dedicated interaction mechanisms for interactive research context navigation. Evaluation on the Xbench-DeepSearch-v1 and Seal-0 benchmarks shows that InterDeepResearch achieves competitive performance compared to state-of-the-art deep research systems, while a formal user study demonstrates its effectiveness in supporting human-agent collaborative information seeking. Project page with system demo: https://github.com/bopan3/InterDeepResearch.
• Abstract（参考訳）: LLMエージェントを利用したディープリサーチシステムは、大規模なWebソースからの洞察の反復的検索、フィルタリング、および合成を自動化することで、複雑な情報検索を変換している。 しかし、既存のシステムは、主に自律的な「クエリ・トゥ・レポート」パラダイムに従い、ユーザーを受動的な役割に制限し、個人の洞察、文脈的知識、研究意図の進化を統合できない。 本稿では,エージェント研究プロセスにおける人間とループのコラボレーションの欠如について論じる。 本研究では,プロセスの可観測性,リアルタイムのステアビリティ,コンテキストナビゲーションの効率性の観点から,現在のシステムが効果的な人間とエージェントの協調を妨げていることを確認した。 これらの知見を反映して,専用の研究コンテキスト管理フレームワークを基盤とした対話型深層研究システムであるInterDeepResearchを提案する。 このフレームワークは、研究コンテキストを3つのレベル(情報、アクション、セッション)の階層アーキテクチャに整理し、動的コンテキストの削減を可能にして、LCMコンテキストの枯渇や、証拠証明のためのクロスアクションのバックトレースを防止する。 このフレームワークに基づいて構築されたシステムインタフェースは、視覚センス作成のための3つの協調ビューと、インタラクティブな研究コンテキストナビゲーションのための専用のインタラクションメカニズムを統合している。 Xbench-DeepSearch-v1 と Seal-0 ベンチマークの評価では、InterDeepResearch は最先端のディープリサーチシステムと比較して競争性能が向上している。 Project page with system demo: https://github.com/bopan3/InterDeepResearch

関連論文リスト

• DuMate-DeepResearch: An Auditable Multi-Agent System with Recursive Search and Rubric-Grounded Reasoning [58.09293442211248]
  Deep Research(DR)は、複雑でオープンな研究課題に取り組むための新しいエージェントパラダイムとして登場した。 本稿では,Qianfan Agent Foundry上に構築されたマルチエージェントDRフレームワークであるDuMate-DeepResearchを紹介する。
  論文  参考訳（メタデータ） (2026-06-05T14:10:48Z)
• SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
  SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。 実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。 回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
  論文  参考訳（メタデータ） (2025-11-29T09:18:39Z)
• Understanding DeepResearch via Reports [41.60038455664918]
  DeepResearchは、高度な推論とマルチツール統合を通じて専門家レベルの研究を行う、変革的なAIパラダイムである。 これらのシステムを評価することは、オープンな研究シナリオと、独立した機能に焦点を当てた既存のベンチマークのため、依然として極めて難しい。 DeepResearch-ReportEvalは、DeepResearchシステムを最も代表的なアウトプットで評価するための総合的なフレームワークである。
  論文  参考訳（メタデータ） (2025-10-09T07:03:43Z)
• FlashResearch: Real-time Agent Orchestration for Efficient Deep Research [62.03819662340356]
  FlashResearchは効率的なディープリサーチのための新しいフレームワークです。 シーケンシャル処理を並列なランタイムオーケストレーションに変換する。 同等のクオリティを維持しつつ、最大5倍のスピードアップを提供できる。
  論文  参考訳（メタデータ） (2025-10-02T00:15:39Z)
• WebResearcher: Unleashing unbounded reasoning capability in Long-Horizon Agents [72.28593628378991]
  WebResearcherは、マルコフ決定プロセスとしてディープリサーチを再構築する反復的なディープリサーチパラダイムである。 WebResearcherは最先端のパフォーマンスを実現し、フロンティアのプロプライエタリシステムを超えています。
  論文  参考訳（メタデータ） (2025-09-16T17:57:17Z)
• From Web Search towards Agentic Deep Research: Incentivizing Search with Reasoning Agents [96.65646344634524]
  推論とエージェント能力を備えた大規模言語モデル(LLM)は、エージェントディープリサーチ(Agenic Deep Research)と呼ばれる新しいパラダイムを取り入れている。 静的なWeb検索から,計画,探索,学習を行う対話型エージェントベースのシステムへの進化を辿ります。 我々はエージェントディープリサーチが既存のアプローチを著しく上回るだけでなく、将来の情報探索において支配的なパラダイムになることを実証する。
  論文  参考訳（メタデータ） (2025-06-23T17:27:19Z)
• 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)
• DeepResearcher: Scaling Deep Research via Reinforcement Learning in Real-world Environments [20.498100965239818]
  我々は、LLMベースのディープリサーチエージェントのエンドツーエンドトレーニングのための、初の総合的なフレームワークであるDeepResearcherを紹介する。 固定コーパス内にすべての必要な情報が存在すると仮定するRAGベースのアプローチとは異なり、我々の手法はオープンウェブのノイズ、非構造化、動的性質をナビゲートするエージェントを訓練する。 オープンドメインの研究タスクに関する大規模な実験は、DeepResearcherがエンジニアリングベースの素早いベースラインよりも最大28.9ポイントの大幅な改善を達成していることを示している。
  論文  参考訳（メタデータ） (2025-04-04T04:41:28Z)

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。