論文の概要: X-SYNTH: Beyond Retrieval -- Enterprise Context Synthesis from Observed Digital Human Attention

• arxiv url: http://arxiv.org/abs/2605.15505v2
• Date: Wed, 20 May 2026 23:24:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:41.852426
• Title: X-SYNTH: Beyond Retrieval -- Enterprise Context Synthesis from Observed Digital Human Attention
• Title（参考訳）: X-SYNTH:Beyond Retrieval -- 観測されたデジタル人間の注意からのエンタープライズコンテキスト合成
• Abstract要約: 本稿では,デジタルヒューマンアテンションに基づく企業コンテキスト合成のためのフレームワークであるX-SYNTHを提案する。 X-SYNTHは、個々の行動ベースラインをデジタルツインシグナチャ(DTS)としてモデル化する 4段階のパイプラインは、クエリの埋め込みではなく、行動パターンに基づいてランク付けされたコンテキストを組み立てる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In enterprise operations, the context required for an AI agent task is scattered across systems of record, static information stores, and communication channels. What is stored is system state, a lossy representation of the work that actually happened. The prevailing approach retrieves by matching request content to what is stored; for narrow requests this works well. But synthesis quality depends on knowing what to surface and how to interpret it: knowledge specific to each organization, team, and individual, present in behavioral patterns, absent from any retrieval index. For the agentic task of proposing enterprise-valuable leads to sellers, this approach breaks down: True Lead Rate is low, False Lead Rate is high, and the model has no mechanism to improve. We present X-SYNTH, a framework for enterprise context synthesis grounded in digital human attention, the digitally observable interaction signatures of each worker, encoding what they did, the sequence in which they did it, and implicit reward signals. Behavioral traces preceding positive outcomes are distinguishable from those that did not, without external labeling. X-SYNTH models each individual's behavioral baseline as a Digital Twin Signature (DTS) and selects among seven attention filters, Proportional, Inverse, Differential, Recurrent, Comparative, Sequential, and Collective, per individual and per query, to identify causally relevant activity signatures. A four-stage pipeline assembles ranked context grounded in behavioral patterns rather than query embeddings. A frontier model unaided achieves 9.5% True Lead Rate (TLR) with 90.5% False Lead Rate (FLR). Augmented with X-SYNTH, TLR rises to 61.9% (6.5x) while FLR falls to 18.8%. Enterprise context synthesis is not a retrieval problem. It is a relevance problem, and digital human attention is its most reliable ground truth.
• Abstract（参考訳）: エンタープライズオペレーションでは、AIエージェントタスクに必要なコンテキストは、レコード、静的情報ストア、通信チャネルのシステムに分散する。 格納されているのはシステム状態であり、実際に発生した作業の損失のある表現である。 一般的なアプローチは、リクエスト内容と格納されているものとを一致させることで検索する。 しかし、合成の品質は、何を表面化し、どのように解釈するかを知ることに依存する。組織、チーム、個人に特有の知識は、どんな検索指標も欠如している。 企業価値の高いリードを売り手へ提案する代理的なタスクでは、このアプローチは崩壊する。 真のリードレートは低く、偽リードレートは高く、モデルには改善のメカニズムがない。 本稿では,デジタル人間の注意を基盤とした企業コンテキスト合成のためのフレームワークであるX-SYNTHについて述べる。 ポジティブな結果に先行する行動的痕跡は、外部のラベル付けなしでは、そうでないものと区別できる。 X-SYNTHは、個々の行動ベースラインをDigital Twin Signature (DTS)としてモデル化し、7つの注意フィルタ(Proportional, Inverse, Differential, Recurrent, Comparison, Sequential, and Collective)の中から選択し、因果関係のアクティビティシグネチャを特定する。 4段階のパイプラインは、クエリの埋め込みではなく、行動パターンに基づいてランク付けされたコンテキストを組み立てる。 フロンティアモデルは9.5%の真のリードレート(TLR)と90.5%の偽リードレート(FLR)を達成している。 X-SYNTHにより、TLRは61.9% (6.5x)に上昇し、FLRは18.8%に低下する。 エンタープライズコンテキスト合成は検索の問題ではない。 関連性の問題であり、デジタル人間の注意は最も信頼できる基礎的真実である。

関連論文リスト

• Token Optimization and Context Window Management in Multi-Agent AI Workflows [0.0]
  マルチエージェントAI合成は、モデル品質だけでなく、トークンコスト、レイテンシ、コンテキストウィンドウ品質によって制限されている。 本稿では,トークン最適化とコンテキストウィンドウ管理のための実践的フレームワークを提案する。 運用では、約3.5-10.5分間の運用ベースラインから61-116秒のコールドロード遅延を計測し、60-70%のトークン削減を見積もった。
  論文  参考訳（メタデータ） (2026-08-17T22:56:50Z)
• A Dynamic-Semantics Framework for Grounding Human Referring Expressions in Visual Perceptual Data [0.0]
  本稿では,パクト状態を3つの明示的で検査可能な参照オブジェクトバインディングに外部化するフレームワークを提案する。 スタンフォード・リピート・レファレンス・ゲーム・コーパス(Stanford Repeated Reference Game corpus)のフレームワークについて検討した。
  論文  参考訳（メタデータ） (2026-08-09T12:14:10Z)
• NTDH: Complex Reasoning for Comprehensive Affective Analysis [28.280253328311346]
  包括的感情分析は2つの理由から困難である。 連続、順序、複数ラベルの出力を持つ異種予測タスクにまたがる。 我々はそのタスクを複雑な推論問題として再考した。 これは感情と感情の両方をカバーする最初の治療法である。
  論文  参考訳（メタデータ） (2026-08-05T18:59:43Z)
• Context Graphs for Proactive Enterprise Agents [2.3097706741644686]
  本論文は、真の企業生産性向上には、労働者に尋ねる前に、関連性のある行動可能な情報を提示するプロアクティブエージェントが必要であることを主張する。 我々は、エンタープライズエンティティ、それらの関係、そして時間とともに状態遷移をモデル化する、ライブリレーショナルデータ構造であるContext Graphを提案する。 NetworkXとAnthropic Claude APIを使った完全なエンドツーエンドPython実装を提供する。
  論文  参考訳（メタデータ） (2026-07-04T14:37:23Z)
• How to Interpret Agent Behavior [56.59836196946289]
  本稿では,エージェントの動作を実行時に記述・解析するための分類法であるACT*ONOMYを紹介する。 共用語彙を提供することで、ACT*ONOMYは研究者、エージェントデザイナー、エンドユーザーがエージェントの振る舞いをより一貫して解釈するのに役立つ。
  論文  参考訳（メタデータ） (2026-05-13T14:52:40Z)
• Towards Multi-Agent Autonomous Reasoning in Hydrodynamics [0.06999740786886537]
  本稿では,多エージェントをレイヤ実行グラフ(LEG)を介して協調させる,流体力学のためのマルチエージェントシステム(MAS)のプロトタイプを提案する。 プランナーエージェントは、ドメイン知識を厳密な制御ロジックとしてハードコーディングすることなく、自然言語ルーティングからクエリ固有の実行トポロジを構築する。 レポーターエージェントが最終応答を合成し、ランタイムが監査性をサポートするためのツール呼び出し毎に証明をログする。
  論文  参考訳（メタデータ） (2026-05-01T21:17:55Z)
• OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
  OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。 我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。 我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
  論文  参考訳（メタデータ） (2025-08-07T17:54:15Z)
• AgentSynth: Scalable Task Generation for Generalist Computer-Use Agents [60.881609323604685]
  Agent Synthはスケーラブルで費用効率のよいパイプラインで、高品質なタスクとトラジェクトリデータセットを自動的に合成する。 我々のパイプラインは1軌道あたりの平均コストが0.60ドルで、人間のアノテーションよりも桁違いに安い。
  論文  参考訳（メタデータ） (2025-06-17T05:46:52Z)
• SynthesizRR: Generating Diverse Datasets with Retrieval Augmentation [55.2480439325792]
  トピック分類,感情分析,トーン検出,ユーモアの6つのデータセットの合成について検討した。 その結果,SynthesizRRは語彙や意味の多様性,人文との類似性,蒸留性能を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2024-05-16T12:22:41Z)
• Robust Deep Learning from Crowds with Belief Propagation [6.643082745560235]
  ワーカとタスク間のローカル依存関係を表すグラフィカルモデルは、ノイズの多い回答から真のラベルを推論する原則的な方法を提供する。 多くの場合、本当のラベルではなく、クラウドソースされたデータセットから直接、目に見えないデータに取り組んでいる予測モデルが必要です。 本稿では,ニューラルネットワークがタスク特徴から真のラベルを生成する新しいデータ生成プロセスを提案する。
  論文  参考訳（メタデータ） (2021-11-01T07:20:16Z)
• Don't be Contradicted with Anything! CI-ToD: Towards Benchmarking Consistency for Task-oriented Dialogue System [24.227068548489385]
  本稿では,タスク指向領域において,一貫性問題はより緊急である,と論じる。 本研究では,タスク指向ダイアログシステムにおける一貫性同定のための新しいデータセットであるCI-ToDを紹介する。 実験の結果、最先端の手法は51.3%しか達成していないことが示され、これは93.2%の人間のパフォーマンスよりもはるかに遅れている。
  論文  参考訳（メタデータ） (2021-09-23T10:56:31Z)
• ConsNet: Learning Consistency Graph for Zero-Shot Human-Object Interaction Detection [101.56529337489417]
  画像中のHuman, Action, Object>の形のHOIインスタンスを検出・認識することを目的としたHuman-Object Interaction (HOI) Detectionの問題点を考察する。 我々は、オブジェクト、アクション、インタラクション間の多レベルコンパレンシーは、稀な、あるいは以前には見られなかったHOIのセマンティック表現を生成するための強力な手がかりであると主張している。 提案モデルでは,人-対象のペアの視覚的特徴とHOIラベルの単語埋め込みを入力とし,それらを視覚-意味的関節埋め込み空間にマッピングし,類似度を計測して検出結果を得る。
  論文  参考訳（メタデータ） (2020-08-14T09:11:18Z)
• Symbiotic Adversarial Learning for Attribute-based Person Search [86.7506832053208]
  本稿では,共生学習の枠組みとして,共生学習の基盤に2つのGANを配置する。 具体的には、2種類の生成的敵ネットワークがトレーニングプロセスを通して協調的に学習する。
  論文  参考訳（メタデータ） (2020-07-19T07:24:45Z)

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。