論文の概要: Meta-Modal Agent: Sequential Evidence Routing for Missing-Modality Candidate Reranking

• arxiv url: http://arxiv.org/abs/2605.25007v1
• Date: Sun, 24 May 2026 11:22:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.649655
• Title: Meta-Modal Agent: Sequential Evidence Routing for Missing-Modality Candidate Reranking
• Title（参考訳）: メタモーダルエージェント:ミスモーダル候補の再評価のためのシーケンスエビデンスルーティング
• Authors: Jinze Wang, Yangchen Zeng, Tiehua Zhang, Lu Zhang, Yuze Liu, Zhishu Shen, Jiong Jin, Zhu Sun,
• Abstract要約: メタモーダルエージェント (Meta-Modal Agent, MMA) は, 欠陥を逐次的エビデンスルーティング問題として扱う, 大規模言語モデルに基づく候補プールリランカである。 MMAは、マスク付きモダリティエピソードに対するバランスのとれた欠如の強化学習で訓練されている。 MMA-Autoは自動テキスト、画像、グラフツールのみを使用するもので、MMA-Interactiveは、上行診断として生き残ったモダリティに基づく明確化の質問を許可する。
• 参考スコア（独自算出の注目度）: 12.476704430465754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Missing modalities cause severe failures in multimodal recommender systems. User histories, item text, and visual evidence are frequently absent during cold-start scenarios, exactly when recommendation quality matters most. Existing approaches recover absent signals through imputation, feature propagation, or generative reconstruction, but these strategies can inject unsupported evidence when the surviving signals are weak. We introduce the Meta-Modal Agent (MMA), a large language model based candidate-pool reranker that treats missingness as a sequential evidence-routing problem. MMA is trained with balanced missingness-task reinforcement learning over masked-modality episodes and is evaluated in two variants: MMA-Auto, which uses only automated text, image, and graph tools, and MMA-Interactive, which additionally permits clarification questions grounded in surviving modalities as an upper-bound diagnostic. MMA operates after a first-stage retriever has produced a candidate pool; it scores those candidates rather than retrieving items from the full catalog. Final reranking fuses MMA scores with first-stage retrieval scores selected on validation data. Our evaluation is organized around four evidence checks required for a robust missing-modality claim: oracle-free one-observed-modality availability (OOMA) robustness, per-modality OOMA breakdowns, fixed-pool full-catalog reranking, and a deterministic-router mechanism control. MMA-Auto improves target-positive OOMA NDCG@10 by 4.0% and fixed-pool full-catalog reranking NDCG@10 by 12.7% over the strongest non-interactive baseline. RuleRouter-Fuse, which uses the same tools and fusion rule without learned policy updates, underperforms MMA-Auto, supporting learned routing beyond deterministic tool fusion. MMA-Interactive adds a 4.1% upper-bound gain when clarification is available.
• Abstract（参考訳）: モダリティの欠如は、マルチモーダルレコメンデータシステムに深刻な障害を引き起こす。 ユーザー履歴、項目テキスト、視覚的証拠は、推奨品質が最も重要となる場合に、コールドスタートのシナリオでしばしば欠落する。 既存のアプローチでは、命令、特徴伝播、または生成的再構成を通じて、欠落した信号を回復するが、これらの戦略は、生き残った信号が弱いときに、証拠を注入することができる。 メタモーダルエージェント (Meta-Modal Agent, MMA) は, 欠陥を逐次的エビデンスルーティング問題として扱う, 大規模言語モデルに基づく候補プールリランカである。 MMA-Autoは、自動テキスト、画像、グラフツールのみを使用するもので、MMA-Interactiveは、上行診断として生き残ったモダリティに基礎を置く明確化質問を許可する。 MMAは、第1段階のレトリバーが候補プールを生成した後で運用される。 最終順位変更は、検証データ上で選択された第1段階の検索スコアとMMAスコアを融合させる。 本評価は, オラクルフリーのワンオブモダリティ・アベイラビリティ(OOMA)のロバスト性, モダリティごとのOOMA分解, 固定プール全触媒再配置, 決定論的・ルータ機構制御の4つの証拠を整理した。 MMA-AutoはOOMA NDCG@10を4.0%改善し、NDCG@10を12.7%改善した。 RuleRouter-Fuseは、ポリシ更新を学習せずに同じツールとフュージョンルールを使用するが、MMA-Autoはパフォーマンスが低く、決定論的ツールフュージョンを超えて学習されたルーティングをサポートする。 MMA-Interactiveは、明確化が可能である場合に4.1%の上限ゲインを付加する。

関連論文リスト

• Missing-Aware Multimodal Fusion for Unified Microservice Incident Management [22.703696384749595]
  ARMORは、モダリティの欠如を前提とした、自己管理型のフレームワークである。 自己監督型自己回帰とマスク誘導型再構成を用いて、異常検出、障害トリアージ、根本原因の局在を共同で最適化する。 完全なデータ条件下での最先端性能を実現し、厳密なモダリティ損失でも堅牢な診断精度を維持する。
  論文  参考訳（メタデータ） (2026-03-26T15:14:57Z)
• Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
  我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。 内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-03-13T20:44:15Z)
• MMA: Multimodal Memory Agent [12.124790246837485]
  長期的なエージェントは外部メモリに依存するが、類似性の表面は不安定、低クレーディビリティ、あるいは矛盾するアイテムであり、過信のエラーを引き起こす可能性がある。 本稿では,検索した各メモリ項目に信頼性スコアを割り当てるマルチモーダルメモリエージェント(MMA)を提案する。 このフレームワークを用いて、エージェントが基盤モデルから潜在的な視覚バイアスを継承する方法を明らかにする「ビジュアルプレースボ効果」を明らかにする。
  論文  参考訳（メタデータ） (2026-02-18T14:30:35Z)
• 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)
• ReSURE: Regularizing Supervision Unreliability for Multi-turn Dialogue Fine-tuning [72.05731026796335]
  マルチターン対話システムは、低品質のデータに晒された場合、しばしば劣化した性能に悩まされる。 本稿では,適応学習手法であるReSUREを提案する。 単一ソースと混合品質のデータセットの実験では、安定性と応答品質が改善された。
  論文  参考訳（メタデータ） (2025-08-27T15:54:01Z)
• DeRAG: Black-box Adversarial Attacks on Multiple Retrieval-Augmented Generation Applications via Prompt Injection [0.9499594220629591]
  アドリシャル・プロンプト・アタックは、レトリーバル・アフュージョンド・ジェネレーション(RAG)システムの信頼性を大きく変える可能性がある。 本稿では, RAGに基づく質問応答に対して, 対角的プロンプト接尾辞を最適化するために, 微分進化(DE)を適用した新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-07-20T16:48:20Z)
• CAMOUFLAGE: Exploiting Misinformation Detection Systems Through LLM-driven Adversarial Claim Transformation [4.02943411607022]
  既存のブラックボックステキストベースの敵攻撃は、証拠に基づく誤情報検出システムには不適である。 本稿では,2エージェントシステムを用いた反復的LCM駆動型アプローチであるCAMOUFLAGEについて述べる。 最近の2つの学術システムと2つの実世界のAPIを含む4つのシステムでCAMOUFLAGEを評価し、平均的な攻撃成功率は46.92%である。
  論文  参考訳（メタデータ） (2025-05-03T19:14:24Z)
• Benchmarking Multi-modal Semantic Segmentation under Sensor Failures: Missing and Noisy Modality Robustness [61.87055159919641]
  マルチモーダルセマンティックセグメンテーション(MMSS)は、モーダル間で補完情報を統合することで、単一モーダルデータの制限に対処する。 顕著な進歩にもかかわらず、マルチモーダルデータ品質の変動と不確実性により、研究と実世界の展開の間に大きなギャップが持続する。 Intire-Missing Modality (EMM)、Random-Missing Modality (RMM)、Noisy Modality (NM)の3つのシナリオでMMSSモデルを評価する頑健性ベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-03-24T08:46:52Z)
• Meta-AAD: Active Anomaly Detection with Deep Reinforcement Learning [56.65934079419417]
  偽陽性率が高いことは、異常検出アルゴリズムの長年の課題である。 本稿では,クエリ選択のためのメタポリシーを学習する新しいフレームワーク,Meta-AAD(Active Anomaly Detection with Meta-Policy)を提案する。
  論文  参考訳（メタデータ） (2020-09-16T01:47:42Z)

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。