Fugu-MT 論文翻訳(概要): MuSEAgent: A Multimodal Reasoning Agent with Stateful Experiences

論文の概要: MuSEAgent: A Multimodal Reasoning Agent with Stateful Experiences

arxiv url: http://arxiv.org/abs/2603.27813v1
Date: Sun, 29 Mar 2026 18:54:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-31 23:18:45.128976
Title: MuSEAgent: A Multimodal Reasoning Agent with Stateful Experiences
Title（参考訳）: MuSEAgent: ステートフルエクスペリエンスを備えたマルチモーダル推論エージェント
Abstract要約: 本研究では,多モーダル推論エージェントであるMuSEAgentを紹介する。実験により、MuseAgentは、きめ細かい視覚知覚と複雑なマルチモーダル推論の両方に基づいて、強い軌道レベルの体験検索ベースラインを一貫して上回っていることが示された。
参考スコア（独自算出の注目度）: 39.79876767762482
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Research agents have recently achieved significant progress in information seeking and synthesis across heterogeneous textual and visual sources. In this paper, we introduce MuSEAgent, a multimodal reasoning agent that enhances decision-making by extending the capabilities of research agents to discover and leverage stateful experiences. Rather than relying on trajectory-level retrieval, we propose a stateful experience learning paradigm that abstracts interaction data into atomic decision experiences through hindsight reasoning. These experiences are organized into a quality-filtered experience bank that supports policy-driven experience retrieval at inference time. Specifically, MuSEAgent enables adaptive experience exploitation through complementary wide- and deep-search strategies, allowing the agent to dynamically retrieve multimodal guidance across diverse compositional semantic viewpoints. Extensive experiments demonstrate that MuSEAgent consistently outperforms strong trajectory-level experience retrieval baselines on both fine-grained visual perception and complex multimodal reasoning tasks. These results validate the effectiveness of stateful experience modeling in improving multimodal agent reasoning.
Abstract（参考訳）: 研究エージェントは最近、異種テキストおよび視覚的ソース間の情報探索と合成において大きな進歩を遂げている。本稿では,多モーダル推論エージェントであるMuSEAgentを紹介する。トラジェクトリレベルの検索に頼るのではなく、後述の推論を通じて相互作用データをアトミックな意思決定体験に抽象化するステートフルな経験学習パラダイムを提案する。これらのエクスペリエンスは、推論時にポリシー駆動のエクスペリエンス検索をサポートする品質フィルタされたエクスペリエンスバンクに編成される。特に、MuseAgentは、補完的な広層・深層探索戦略を通じて適応的な経験の活用を可能にし、エージェントは多様な構成的意味論の観点から動的にマルチモーダルガイダンスを取得できる。広汎な実験により、MuseAgentは、きめ細かな視覚知覚と複雑なマルチモーダル推論の両方に基づいて、強い軌道レベルの体験検索ベースラインを一貫して上回っていることが示された。これらの結果は,マルチモーダルエージェント推論の改善におけるステートフル・エクスペリエンス・モデリングの有効性を検証した。

関連論文リスト

Learning Agent-Compatible Context Management for Long-Horizon Tasks [79.09330817637205]
フリーズエージェントのコンテキストを管理するために外部LLMをトレーニングするAdaptive Context Management (AdaCoM)を導入する。 AdaCoMは、静的なコンテンツをプルーニングしながらタスク制約と進捗を保ち、パフォーマンスを大幅に改善する。学習した戦略は、忠実度-信頼性のトレードオフを明らかにしている: よりバニラリアクトなパフォーマンスを持つエージェントは、高忠実度コンテキストの保存から恩恵を受ける一方、低いパフォーマンスのエージェントは、信頼できる推論体制内に留まるためにより攻撃的な圧縮を必要とする。
論文参考訳（メタデータ） (2026-05-29T03:21:08Z)
Rethinking Experience Utilization in Self-Evolving Language Model Agents [51.10420305280499]
自己進化剤は過去の相互作用から経験を蓄積し再利用することで改善する。本稿では,自己進化型エージェントの重要設計次元としての利用経験について考察する。
論文参考訳（メタデータ） (2026-05-08T02:48:49Z)
Beyond Stochastic Exploration: What Makes Training Data Valuable for Agentic Search [5.481048072631037]
本稿では,検索エージェントの性能向上と訓練を目的とした,階層的体験(HiExp)を提案する。比較分析とマルチレベルクラスタリング機構を通じて経験的知識を抽出し,生の推論軌道を階層的経験知識に変換する。提案手法は性能向上を実現し,強いクロスタスクとクロスアルゴリズムの一般化を示す。
論文参考訳（メタデータ） (2026-04-09T11:44:44Z)
Learning to Retrieve from Agent Trajectories [72.8923565916533]
我々はエージェント間相互作用データから直接エージェント探索のための検索モデルを訓練すべきであると主張している。エージェント・トラジェクトリからの学習を新たな訓練パラダイムとして導入し,マルチステップエージェントのインタラクションから指導を導出する。本研究は,エージェント探索時代における検索の方向性を示すとともに,エージェントトラジェクトリを実用的でスケーラブルな監視源として強調するものである。
論文参考訳（メタデータ） (2026-03-30T17:59:02Z)
Retrieval-Augmented LLM Agents: Learning to Learn from Experience [16.248836438253814]
本研究では,検索対象のLLMエージェントを学習し,検索したトラジェクトリをコンテキスト内で活用する方法について検討する。最先端のエージェントトレーニングパイプラインよりも優れたロラを用いた,堅牢な教師付き微調整(SFT)レシピを確立した。その結果,この組み合わせによるタスクの一般化が著しく向上することが示唆された。
論文参考訳（メタデータ） (2026-03-18T20:45:04Z)
Agent Learning via Early Experience [93.83579011718858]
言語エージェントの長期的な目標は、彼ら自身の経験から学び、改善することであり、最終的には複雑な現実世界のタスクにおいて人間より優れています。現在のエージェントのほとんどは、専門家データによる教師付き微調整に依存しており、スケールと一般化が不十分である。本研究では,(1)環境力学における政策の基盤として収集された状態を利用するインプリシット・ワールド・モデリング,(2)エージェントが最適な行動から学習し,推論と意思決定を改善するための自己回帰という2つの手法について検討する。
論文参考訳（メタデータ） (2025-10-09T17:59:17Z)
Literature Review Of Multi-Agent Debate For Problem-Solving [0.0]
マルチエージェント大規模言語モデル(MA-LLM)は、複雑なタスクに対処するために複数の対話型言語エージェントを活用する、急速に成長する研究分野である。本稿では,エージェントプロファイル,コミュニケーション構造,意思決定プロセスに関する最新の研究を概説する。
論文参考訳（メタデータ） (2025-05-29T13:57:00Z)
Cross-Task Experiential Learning on LLM-based Multi-Agent Collaboration [63.90193684394165]
マルチエージェント・クロスタスク体験学習(MAEL)は,LSM駆動型エージェントに明示的なクロスタスク学習と経験蓄積を付与する新しいフレームワークである。経験的学習フェーズでは、タスク解決ワークフローの各ステップの品質を定量化し、その結果の報酬を記憶する。推論中、エージェントは、各推論ステップの有効性を高めるために、いくつかの例として、高頻度のタスク関連体験を検索する。
論文参考訳（メタデータ） (2025-05-29T07:24:37Z)
From Novice to Expert: LLM Agent Policy Optimization via Step-wise Reinforcement Learning [62.54484062185869]
本稿では,エージェントの強化学習プロセスの最適化にステップワイド報酬を利用するStepAgentを紹介する。エージェント反射とポリシー調整を容易にする暗黙の逆・逆の強化学習手法を提案する。
論文参考訳（メタデータ） (2024-11-06T10:35:11Z)
CoPS: Empowering LLM Agents with Provable Cross-Task Experience Sharing [70.25689961697523]
クロスタスク体験の共有と選択によるシーケンシャル推論を強化する一般化可能なアルゴリズムを提案する。我々の研究は、既存のシーケンシャルな推論パラダイムのギャップを埋め、タスク間体験の活用の有効性を検証する。
論文参考訳（メタデータ） (2024-10-22T03:59:53Z)
Synergistic Multi-Agent Framework with Trajectory Learning for Knowledge-Intensive Tasks [44.42989163847349]
大規模言語モデル(LLM)は、様々な自然言語処理タスクにおいて大きなブレークスルーをもたらした。知識集約的なシナリオにおいて、現実的に一貫した応答を生成することは、依然として課題である。本稿では,LSM生成応答の解釈可能性と現実的一貫性を高めるために,外部知識を活用する新しいマルチエージェントフレームワークSMARTを紹介する。
論文参考訳（メタデータ） (2024-07-13T13:58:24Z)

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。