論文の概要: Debate to Align: Reliable Entity Alignment through Two-Stage Multi-Agent Debate
- arxiv url: http://arxiv.org/abs/2604.13551v1
- Date: Wed, 15 Apr 2026 06:54:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-16 20:38:32.423817
- Title: Debate to Align: Reliable Entity Alignment through Two-Stage Multi-Agent Debate
- Title（参考訳）: Debate to Align: 2段階のマルチエージェントデリゲートによる信頼性の高いエンティティアライメント
- Authors: Cunda Wang, Ziying Ma, Po Hu, Weihua Wang, Feilong Bao,
- Abstract要約: 我々はマルチエージェントの議論に基づく信頼できるEAフレームワークであるAgentEAを提案する。
AgentEAはエンティティ表現の優先順位最適化を通じて埋め込み品質を改善する。
次に、軽量な議論検証と深い議論アライメントからなる2段階のマルチロール討論機構を導入する。
- 参考スコア（独自算出の注目度）: 13.025981335381637
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Entity alignment (EA) aims to identify entities referring to the same real-world object across different knowledge graphs (KGs). Recent approaches based on large language models (LLMs) typically obtain entity embeddings through knowledge representation learning and use embedding similarity to identify an alignment-uncertain entity set. For each uncertain entity, a candidate entity set (CES) is then retrieved based on embedding similarity to support subsequent alignment reasoning and decision making. However, the reliability of the CES and the reasoning capability of LLMs critically affect the effectiveness of subsequent alignment decisions. To address this issue, we propose AgentEA, a reliable EA framework based on multi-agent debate. AgentEA first improves embedding quality through entity representation preference optimization, and then introduces a two-stage multi-role debate mechanism consisting of lightweight debate verification and deep debate alignment to progressively enhance the reliability of alignment decisions while enabling more efficient debate-based reasoning. Extensive experiments on public benchmarks under cross-lingual, sparse, large-scale, and heterogeneous settings demonstrate the effectiveness of AgentEA.
- Abstract（参考訳）: エンティティアライメント(EA)は、異なる知識グラフ(KG)で同じ現実世界のオブジェクトを参照するエンティティを識別することを目的としている。
大規模言語モデル(LLM)に基づく最近のアプローチは、知識表現学習を通じてエンティティ埋め込みを取得し、埋め込み類似性を用いてアライメント不確実なエンティティセットを特定するのが一般的である。
各不確実性エンティティに対して、後続のアライメント推論と意思決定をサポートするために、埋め込み類似性に基づいて候補エンティティセット(CES)を検索する。
しかしながら、CESの信頼性とLCMの推論能力は、その後のアライメント決定の有効性に重大な影響を及ぼす。
この問題に対処するため,マルチエージェントの議論に基づく信頼性の高いEAフレームワークであるAgentEAを提案する。
AgentEAはまず、エンティティ表現優先最適化を通じて埋め込み品質を改善し、続いて、より効率的な議論ベースの推論を可能にしながら、アライメント決定の信頼性を徐々に高めるために、軽量な議論検証と深い議論アライメントからなる2段階のマルチロール討論メカニズムを導入します。
クロスリンガル、スパース、大規模、異質な設定下での公開ベンチマークに関する大規模な実験は、AgentEAの有効性を実証している。
関連論文リスト
- Adaptive Collaboration of Arena-Based Argumentative LLMs for Explainable and Contestable Legal Reasoning [1.4988096015658898]
ACALは、アリーナを基盤とした量的双極性論証フレームワーク(A-QBAF)と適応的マルチエージェント協調を統合する神経シンボルフレームワークである。
ACALは専門家のエージェントチームを動的に配置して議論を構築し、競合するクレームを判断するために衝突解決メカニズムを採用し、境界線事件に対して不確実性を認識したエスカレーションを利用する。
我々のフレームワークはHuman-in-the-Loop (HITL) の競合性ワークフローをサポートしており、ユーザーは基礎となる推論グラフを直接監査して修正して最終判断に影響を与えることができる。
論文 参考訳（メタデータ） (2026-02-21T17:47:13Z) - AgenticSimLaw: A Juvenile Courtroom Multi-Agent Debate Simulation for Explainable High-Stakes Tabular Decision Making [0.6218206949753592]
我々はAgenticSimLawを紹介した。これは、透明で制御可能なテストタイム推論を提供するロール構造化マルチエージェントの議論フレームワークである。
ブラックボックスアプローチとは異なり、裁判所スタイルのオーケストレーションでは、エージェントの役割を明確に定義しています。
NLSY97データセットを用いて、この枠組みを若者の復習予測にベンチマークする。
論文 参考訳（メタデータ） (2026-01-29T16:26:10Z) - DynaDebate: Breaking Homogeneity in Multi-Agent Debate with Dynamic Path Generation [47.62978918069135]
DynaDebate (Dynamic Multi-Agent Debate) を導入し,3つのキーメカニズムによるマルチエージェント討論の有効性を高める。
大規模な実験により、DynaDebateは既存の最先端のMADメソッドを超越して、様々なベンチマークで優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-01-09T12:01:33Z) - AgentCDM: Enhancing Multi-Agent Collaborative Decision-Making via ACH-Inspired Structured Reasoning [8.566904810788213]
AgentCDMはマルチエージェントシステムにおける協調的意思決定を強化するための構造化フレームワークである。
認知バイアスを内部化し、意思決定を受動的回答の選択からアクティブな仮説評価と構築へとシフトさせる。
複数のベンチマークデータセットの実験は、AgentCDMが最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2025-08-16T09:46:04Z) - Bounded Rationality for LLMs: Satisficing Alignment at Inference-Time [52.230936493691985]
本稿では,2次基準のしきい値に基づく制約を満たしつつ,主目的を最大化し,アライメントの多面性に対処する推論フレームワークSITAlignを提案する。
我々は、満足度に基づく推論アライメントアプローチの準最適境界を導出することで理論的洞察を提供する。
論文 参考訳（メタデータ） (2025-05-29T17:56:05Z) - A Cooperative Multi-Agent Framework for Zero-Shot Named Entity Recognition [71.61103962200666]
ゼロショット名付きエンティティ認識(NER)は、注釈のないテキストコーパスからエンティティ認識システムを開発することを目的としている。
最近の研究は、特別なプロンプトテンプレートを作成することで、ゼロショットNERに大規模な言語モデル(LLM)を適用している。
ゼロショットNERのための新しいフレームワークである協調型マルチエージェントシステム(CMAS)を紹介する。
論文 参考訳（メタデータ） (2025-02-25T23:30:43Z) - Learning to Break: Knowledge-Enhanced Reasoning in Multi-Agent Debate System [16.830182915504555]
マルチエージェント討論システム(MAD)は、真理を追求する人間の議論の過程を模倣する。
様々なエージェントが、限られた知識の背景から、適切に、高度に一貫した認知をさせることは困難である。
本稿では,Underline Knowledge-underlineEnhanced frameworkを用いたUnderlineMulti-underlineAgent UnderlineDebateを提案する。
論文 参考訳（メタデータ） (2023-12-08T06:22:12Z) - Sentiment Analysis through LLM Negotiations [58.67939611291001]
感情分析の標準的なパラダイムは、単一のLCMに依存して、その決定を1ラウンドで行うことである。
本稿では,感情分析のためのマルチLLMネゴシエーションフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-03T12:35:29Z) - Rational Decision-Making Agent with Internalized Utility Judgment [88.01612847081677]
大規模言語モデル(LLM)は目覚ましい進歩を示し、従来のNLPアプリケーションを超えて複雑な多段階決定タスクを実行できるエージェントにLLMを開発するための重要な努力を惹きつけている。
本稿では,RadAgentを提案する。このRadAgentは,経験探索とユーティリティ学習を含む反復的なフレームワークを通じて,合理性の発展を促進する。
ToolBenchデータセットの実験結果は、RadAgentがベースラインよりも優れていることを示している。
論文 参考訳（メタデータ） (2023-08-24T03:11:45Z)
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。