論文の概要: SEMA-RAG: A Self-Evolving Multi-Agent Retrieval-Augmented Generation Framework for Medical Reasoning
- arxiv url: http://arxiv.org/abs/2605.17101v1
- Date: Sat, 16 May 2026 18:09:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:47.607123
- Title: SEMA-RAG: A Self-Evolving Multi-Agent Retrieval-Augmented Generation Framework for Medical Reasoning
- Title（参考訳）: SEMA-RAG:医療推論のための自己進化型マルチエージェント検索型生成フレームワーク
- Authors: Yongfeng Huang, Ruiying Chen, James Cheng,
- Abstract要約: 本稿では,医療質問応答のための自己進化型マルチエージェントRAGフレームワークを提案する。
この役割は、臨床スキーマ解釈のための解釈エージェント(Interpreter Agent for Clinical schema interpretation)、満足度駆動検索のためのエクスプローラーエージェント(Explorer Agent for sufficiency-driven retrieve)、証拠判断と回答選択のためのアービターエージェント(Arbiter Agent)の3つの専門エージェントに割り当てられる。
最強のベースラインを、背骨ごとの平均で+6.46の精度で改善する。
- 参考スコア（独自算出の注目度）: 23.915129702519817
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Retrieval-Augmented Generation (RAG) is widely employed to mitigate risks such as hallucinations and knowledge obsolescence in medical question answering, yet its predominantly single-round, static retrieval paradigm misaligns with the multi-stage process of clinical reasoning. This compressed workflow induces two structural deficiencies: question-to-query translation often lacks clinically grounded semantic interpretation, and retrieval lacks iterative sufficiency feedback, making it difficult to form reliable evidence chains. We argue that both issues stem from a deeper cause: overloading a single reasoning chain with heterogeneous tasks of interpretation, exploration, and adjudication. The remedy is to reconstruct the workflow via task decoupling and dynamic multi-round exploration. To this end, we propose SEMA-RAG, a Self-Evolving Multi-Agent RAG framework for medical question answering, which assigns these roles to three specialist agents: the Interpreter Agent for clinical schema interpretation, the Explorer Agent for sufficiency-driven self-evolving retrieval, and the Arbiter Agent for evidence adjudication and answer selection. Across five benchmarks and five LLM backbones, SEMA-RAG improves the strongest baseline by +6.46 accuracy points on average, measured per backbone.
- Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、医学的質問応答における幻覚や知識の陳腐化などのリスクを軽減するために広く用いられているが、その主に単ラウンドで静的な検索パラダイムは、臨床推論の多段階的なプロセスと誤解している。
この圧縮されたワークフローは、2つの構造的欠陥を誘発する: 質問と問合せの翻訳は、しばしば臨床的に根拠付けられた意味解釈を欠き、検索は反復的な十分性フィードバックを欠いているため、信頼できるエビデンス連鎖を形成するのが困難である。
両者の問題は、解釈、探索、偏見という異種なタスクで1つの推論チェーンをオーバーロードすることである。
タスクデカップリングと動的マルチラウンド探索によってワークフローを再構築する。
この目的のために,SEMA-RAG(Self-Evolving Multi-Agent RAG framework for Medical Questioning)を提案し,これらの役割を臨床スキーマ解釈用インタープリタエージェント(Interpreter Agent for Clinical schema interpretation),主観的自己進化検索用エクスプローラーエージェント(Explorer Agent for sufficiency-driven self-evolving retrieve),および証拠判断と回答選択のためのArbiter Agent(Arbiter Agent for evidence adjudication and answer selection)という3つの専門エージェントに割り当てる。
5つのベンチマークと5つのLDMバックボーンでSEMA-RAGは、バックボーン当たりの平均精度を+6.46ポイント改善した。
関連論文リスト
- AffectAgent: Collaborative Multi-Agent Reasoning for Retrieval-Augmented Multimodal Emotion Recognition [62.16431420189863]
LLMに基づくマルチモーダル感情認識は静的なパラメトリックメモリに依存しており、ニュアンス化された感情状態の解釈時にしばしば幻覚を与える。
本稿では,感情指向型マルチエージェント検索拡張生成フレームワークであるAffectAgentを紹介する。
AffectAgentは3つの共同最適化されたエージェント、すなわちクエリプランナー、エビデンスフィルタ、感情生成器から構成される。
論文 参考訳（メタデータ） (2026-04-14T13:49:19Z) - From Conflict to Consensus: Boosting Medical Reasoning via Multi-Round Agentic RAG [65.0203623486525]
大規模言語モデル(LLM)は、医学的質問応答において高い推論能力を示す。
幻覚や時代遅れの知識を生み出す傾向は、医療分野において重大なリスクをもたらす。
既存の手法はノイズの多いトークンレベルの信号に依存しており、複雑な推論に必要なマルチラウンドの改良は欠如している。
論文 参考訳（メタデータ） (2026-02-06T08:25:30Z) - Multi-Agent Intelligence for Multidisciplinary Decision-Making in Gastrointestinal Oncology [13.663415863327996]
ヒト多部門チーム(MDT)の協調ワークフローをエミュレートした階層型マルチエージェントフレームワークを提案する。
このシステムは4.60/5.00の総合評価スコアを獲得し、モノリシック基線よりも大幅に改善された。
この結果は,腫瘍学における自動意思決定支援のための,緩和的,エージェントベースの協調作業が,スケーラブルで解釈可能,かつ,臨床的に堅牢なパラダイムを提供することを示している。
論文 参考訳（メタデータ） (2025-12-09T14:56:40Z) - 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) - Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。
Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。
SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
論文 参考訳（メタデータ） (2025-09-25T14:05:55Z) - Enhancing Retrieval Augmentation via Adversarial Collaboration [50.117273835877334]
我々は「検索幻覚」に対処するため、Adrial Collaboration RAG(AC-RAG)フレームワークを提案する。
AC-RAGは、知識ギャップを識別するジェネリスト検出器と、正確な解決策を提供するドメイン特化リゾルバという2つの異種エージェントを使用している。
実験により、AC-RAGは検索精度を大幅に向上し、様々な垂直領域における最先端RAG法より優れていることが示された。
論文 参考訳（メタデータ） (2025-09-18T08:54:20Z) - MedCoT-RAG: Causal Chain-of-Thought RAG for Medical Question Answering [4.285647375182588]
大規模言語モデル (LLM) は医学的な疑問に答える上で有望であるが、幻覚や浅い推論に苦しむことが多い。
Retrieval-augmented Generation (RAG)は、外部の医療知識でLSMを強化するための実用的でプライバシー保護の手段を提供する。
MedCoT-RAGは、因果認識ドキュメント検索と構造化チェーン・オブ・シークレット・プロンプトを組み合わせたドメイン固有フレームワークである。
論文 参考訳（メタデータ） (2025-08-20T05:43:26Z) - A Multi-Agent System for Complex Reasoning in Radiology Visual Question Answering [3.3809462259925938]
放射線画像質問応答(RVQA)は胸部X線画像に関する質問に対して正確な回答を提供する。
近年,マルチモーダル大言語モデル (MLLM) と検索拡張生成 (RAG) に基づく手法がRVQAの進歩に寄与している。
RVQAにおける複雑な推論を支援するために,マルチエージェントシステム(MAS)を導入する。
論文 参考訳（メタデータ） (2025-08-04T19:09:52Z) - 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) - Talk Before You Retrieve: Agent-Led Discussions for Better RAG in Medical QA [17.823588070044217]
本稿では,医療質問応答システムを強化するためのプラグアンドプレイモジュールであるDisdisuss-RAGを提案する。
本手法では,多ターンブレインストーミングをエミュレートする医療専門家のチームを編成し,検索内容の関連性を向上する要約エージェントを提案する。
4つのベンチマーク医学QAデータセットによる実験結果から、DEC-RAGはMedRAGより一貫して優れていた。
論文 参考訳（メタデータ） (2025-04-30T01:37:44Z)
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。