論文の概要: MediHive: A Decentralized Agent Collective for Medical Reasoning
- arxiv url: http://arxiv.org/abs/2603.27150v1
- Date: Sat, 28 Mar 2026 05:57:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:44.813832
- Title: MediHive: A Decentralized Agent Collective for Medical Reasoning
- Title（参考訳）: MediHive:医学的推論のための分散型エージェント
- Authors: Xiaoyang Wang, Christopher C. Yang,
- Abstract要約: 大規模言語モデル (LLM) は医学的推論タスクに革命をもたらしたが、単一エージェントシステムは複雑な学際的な問題に悩まされることが多い。
医療質問応答のための分散型マルチエージェントフレームワークであるMediHiveを紹介する。
我々の研究は、医療AIのためのスケーラブルでフォールトトレラントなD-MASを進歩させ、集中型設計の重要な限界に対処します。
- 参考スコア（独自算出の注目度）: 9.073167371102386
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models (LLMs) have revolutionized medical reasoning tasks, yet single-agent systems often falter on complex, interdisciplinary problems requiring robust handling of uncertainty and conflicting evidence. Multi-agent systems (MAS) leveraging LLMs enable collaborative intelligence, but prevailing centralized architectures suffer from scalability bottlenecks, single points of failure, and role confusion in resource-constrained environments. Decentralized MAS (D-MAS) promise enhanced autonomy and resilience via peer-to-peer interactions, but their application to high-stakes healthcare domains remains underexplored. We introduce MediHive, a novel decentralized multi-agent framework for medical question answering that integrates a shared memory pool with iterative fusion mechanisms. MediHive deploys LLM-based agents that autonomously self-assign specialized roles, conduct initial analyses, detect divergences through conditional evidence-based debates, and locally fuse peer insights over multiple rounds to achieve consensus. Empirically, MediHive outperforms single-LLM and centralized baselines on MedQA and PubMedQA datasets, attaining accuracies of 84.3% and 78.4%, respectively. Our work advances scalable, fault-tolerant D-MAS for medical AI, addressing key limitations of centralized designs while demonstrating superior performance in reasoning-intensive tasks.
- Abstract（参考訳）: 大規模言語モデル(LLM)は医学的推論タスクに革命をもたらしたが、単一エージェントシステムはしばしば、不確実性や矛盾する証拠の堅牢な処理を必要とする複雑な学際的な問題に悩まされている。
LLMを利用するマルチエージェントシステム(MAS)は、協調的なインテリジェンスを実現するが、一般的な集中型アーキテクチャは、スケーラビリティのボトルネック、単一障害点、リソース制約された環境における役割の混乱に悩まされている。
分散MAS(D-MAS)は、ピアツーピアインタラクションによる自律性とレジリエンスの向上を約束するが、ハイテイクな医療分野への応用はいまだ検討されていない。
我々は,共有メモリプールと反復融合機構を統合した,医療質問応答のための分散型マルチエージェントフレームワークであるMediHiveを紹介する。
MediHiveはLSMベースのエージェントをデプロイし、自律的に専門的な役割を割り当て、初期分析を行い、条件付きエビデンスに基づく議論を通じて発散を検知し、複数のラウンドでピアインサイトを融合してコンセンサスを達成する。
MediHiveは、MedQAデータセットとPubMedQAデータセットでシングルLLMと集中ベースラインを上回り、それぞれ84.3%と78.4%のアキュラシーを達成している。
我々の研究は、医療AIのためのスケーラブルでフォールトトレラントなD-MASを進歩させ、中央集権設計の重要な制限に対処しつつ、推論集約タスクにおける優れたパフォーマンスを示します。
関連論文リスト
- CoMMa: Contribution-Aware Medical Multi-Agents From A Game-Theoretic Perspective [17.875369977050926]
オンコロジー決定支援タスクに取り組むために,コントリビューション・アウェア・メディカル・マルチエージェント (CoMMa) を提案する。
スペシャリストは分割された証拠を操作し、堅牢な意思決定のためのゲーム理論の目的を通して調整する。
多様なオンコロジーベンチマークに基づいて評価されたCoMMaは、データ分散およびロールベースのマルチエージェントベースラインよりも高い精度と安定したパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-02-09T20:04:58Z) - MedSAM-Agent: Empowering Interactive Medical Image Segmentation with Multi-turn Agentic Reinforcement Learning [53.37068897861388]
MedSAM-Agentは、対話的なセグメンテーションを多段階の自律的な意思決定プロセスとして再構築するフレームワークである。
マルチターン・エンド・ツー・エンドの成果検証を統合した2段階のトレーニングパイプラインを開発した。
6つの医療モダリティと21のデータセットにわたる実験は、MedSAM-Agentが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2026-02-03T09:47:49Z) - MedAlign: A Synergistic Framework of Multimodal Preference Optimization and Federated Meta-Cognitive Reasoning [52.064286116035134]
我々はMed-VQA(Med-VQA)のための視覚的LVLM応答を保証するフレームワークであるMedAlignを開発した。
まず、優先学習を視覚的コンテキストに合わせるために、マルチモーダルな直接選好最適化(mDPO)の目的を提案する。
次に、画像とテキストの類似性を生かし、クエリを専門的でコンテキスト拡張されたLVLMにルーティングする検索型混合処理(RA-MoE)アーキテクチャを設計する。
論文 参考訳（メタデータ） (2025-10-24T02:11:05Z) - Mediator-Guided Multi-Agent Collaboration among Open-Source Models for Medical Decision-Making [18.640622974004724]
多様な視覚言語モデル(VLM)の盲目の組み合わせは、誤った結果の解釈を増幅することができる。
医療マルチモーダル意思決定のためのメディエータ誘導型マルチエージェント協調フレームワークであるMedOrchを提案する。
我々は、異なるVLMエージェント内の協調が、個々のエージェントの能力を超えることができることを示す。
論文 参考訳（メタデータ） (2025-08-08T04:02:10Z) - Silence is Not Consensus: Disrupting Agreement Bias in Multi-Agent LLMs via Catfish Agent for Clinical Decision Making [80.94208848596215]
提案する概念は「Catfish Agent」である。これは、構造的不満を注入し、無声な合意に反するように設計された役割特化LDMである。
組織心理学において「ナマズ・エフェクト」にインスパイアされたカマズ・エージェントは、より深い推論を促進するために、新たなコンセンサスに挑戦するように設計されている。
論文 参考訳（メタデータ） (2025-05-27T17:59:50Z) - Benchmarking LLMs' Swarm intelligence [51.648605206159125]
大規模言語モデル(LLM)は複雑な推論の可能性を秘めているが、マルチエージェントシステム(MAS)における創発的協調の能力はほとんど探索されていない。
分散エージェントとして機能するLDMのタスクを体系的に評価する新しいベンチマークであるSwarmBenchを紹介する。
本稿では,協調効率の指標を提案し,創発的グループダイナミクスを解析する。
論文 参考訳（メタデータ） (2025-05-07T12:32:01Z) - Enhancing Heterogeneous Multi-Agent Cooperation in Decentralized MARL via GNN-driven Intrinsic Rewards [1.179778723980276]
MARL(Multi-agent Reinforcement Learning)は、シーケンシャルな意思決定と制御タスクの鍵となるフレームワークである。
これらのシステムを現実のシナリオに展開するには、分散トレーニング、多様なエージェントセット、そして頻繁な環境報酬信号から学ぶ必要がある。
我々は,新しいグラフニューラルネットワーク(GNN)に基づく本質的なモチベーションを利用して,異種エージェントポリシーの学習を容易にするCoHetアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-08-12T21:38:40Z) - MDAgents: An Adaptive Collaboration of LLMs for Medical Decision-Making [45.74980058831342]
MDAgents(Medical Decision-making Agents)と呼ばれる新しいマルチエージェントフレームワークを導入する。
割り当てられた単独またはグループの共同作業構造は、実際の医療決定過程をエミュレートして、手元にある医療タスクに合わせて調整される。
MDAgentsは医療知識の理解を必要とするタスクに関する10のベンチマークのうち7つのベンチマークで最高のパフォーマンスを達成した。
論文 参考訳（メタデータ） (2024-04-22T06:30:05Z)
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。