論文の概要: Do Agents Need Semantic Metadata? A Comparative Study in Agentic Data Retrieval

• arxiv url: http://arxiv.org/abs/2605.28787v1
• Date: Wed, 27 May 2026 17:46:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.256098
• Title: Do Agents Need Semantic Metadata? A Comparative Study in Agentic Data Retrieval
• Title（参考訳）: エージェントは意味的メタデータを必要とするか? : エージェントデータ検索における比較研究
• Authors: Shiyu Chen, Tarfah Alrashed, Alon Halevy, Natasha Noy,
• Abstract要約: 構造化されていないWebをナビゲートできるLarge Language Models(LLM)の台頭は、根本的な疑問を提起する。 オープンウェブ文書を検索するベースラインエージェントと、スキーマ.orgを用いて9000万のデータセットのコーパスを利用するセマンティックエージェントの2つの異なる環境におけるエージェントデータ検索の比較分析を行う。 セマンティック・エージェントは動作可能なデータを抽出し、メタデータ豊富なレジストリの44.9%の精度と、返却された結果の中で機械可読なダウンロードを持つページの46.6%の精度を達成する。
• 参考スコア（独自算出の注目度）: 3.6202634353482352
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the era of autonomous agents, machine-actionable data is critical for data-driven workflows. For more than a decade, semantic metadata like schema.org has anchored the FAIR principles (Findable, Accessible, Interoperable, and Reusable) for machine-actionable data and enabled discovery tools like Google Dataset Search. However, the rise of Large Language Models (LLMs) capable of navigating the unstructured web raises a fundamental question: Is semantic metadata still necessary for agentic data discovery, or can agents reliably retrieve actionable data directly from the web? We present a comparative analysis of agentic data retrieval across two distinct environments: a Baseline Agent searching billions of open-web documents, and a Semantic Agent leveraging a corpus of 90 million datasets using schema.org. We deploy an "LLM-as-a-judge" evaluation pipeline, mapped directly to the FAIR principles, to assess the semantic relevance, data accessibility, and computational utility of the retrieved data. Our results reveal a clear divergence. The Semantic Agent excels at retrieving actionable data, achieving a 44.9% higher precision for metadata-rich registries and a 46.6% higher precision for pages with machine-readable downloads among its returned results. Conversely, the Baseline Agent frequently suffers "Last-Mile Utility" failures, retrieving prose-heavy pages (20.1% of results) and portal landing pages (8.5%) rather than actual data pages. While the Baseline Agent achieves higher coverage by answering 40% more questions, the Semantic Agent delivers greater accuracy, achieving 65.7% higher overall precision in retrieving FAIR-compliant datasets. We conclude that while unstructured retrieval supports broad exploratory tasks, structured ecosystems remain the indispensable foundation for reliable, execution-oriented autonomous workflows.
• Abstract（参考訳）: 自律エージェントの時代において、マシン操作可能なデータはデータ駆動のワークフローに不可欠である。 スキーマ.orgのようなセマンティックメタデータは10年以上にわたり、マシン操作可能なデータに対してFAIRの原則(Findable、Accessible、Interoperable、Reusable)を固定し、Google Dataset Searchのような発見ツールを有効にした。 しかし、構造化されていないWebをナビゲートできるLarge Language Models(LLM)の台頭は、根本的な疑問を提起している。 オープンウェブ文書を検索するベースラインエージェントと、スキーマ.orgを用いて9000万のデータセットのコーパスを利用するセマンティックエージェントの2つの異なる環境におけるエージェントデータ検索の比較分析を行う。 FAIRの原則に直接マッピングした"LLM-as-a-judge"評価パイプラインをデプロイし、検索したデータのセマンティック関連性、データアクセシビリティ、計算ユーティリティを評価する。 私たちの結果は明らかな相違を明らかにします。 セマンティック・エージェントは動作可能なデータを抽出し、メタデータ豊富なレジストリの44.9%の精度と、返却された結果の中で機械可読なダウンロードを持つページの46.6%の精度を達成する。 逆に、ベースラインエージェントはしばしば"Last-Miile Utility"の障害に悩まされ、実際のデータページではなく、散文の重いページ(20.1%)とポータルのランディングページ(8.5%)を取得する。 Baseline Agentは40%以上の質問に回答することで、より高いカバレッジを達成するが、Semantic Agentはより精度が高く、FAIR準拠のデータセットを取得する際の全体的な精度は65.7%向上している。 我々は、非構造化検索は広範な探索的タスクをサポートするが、構造化されたエコシステムは信頼性の高い実行指向の自律ワークフローにとって必須の基盤である、と結論付けている。

関連論文リスト

• AgentIR: Reasoning-Aware Retrieval for Deep Research Agents [76.29382561831105]
  ディープリサーチエージェントは、各検索の前に明示的な自然言語推論を生成する。 Reasoning-Aware Retrievalは、クエリと一緒にエージェントの推論トレースを埋め込む。 DR-Synthは、標準的なQAデータセットからDeep Researchレトリバーのトレーニングデータを生成する。 AgentIR-4Bは、オープンウェイトエージェントであるTongyi-DeepResearchで68%の精度を達成する。
  論文  参考訳（メタデータ） (2026-03-04T18:47:26Z)
• AgentExpt: Automating AI Experiment Design with LLM-based Resource Retrieval Agent [36.65355075707938]
  AI研究における重要な応用の1つは、エージェントとベースライン検索による実験設計を自動化することである。 ベースラインおよびデータセットレコメンデーションのための包括的フレームワークを提案する。 我々は、正確な相互作用連鎖を構築して明確な推論連鎖を構築し、解釈可能な正当化を生成するために大きな言語モデルを微調整する推論強化リランカを開発する。
  論文  参考訳（メタデータ） (2025-11-07T01:51:56Z)
• Enterprise Deep Research: Steerable Multi-Agent Deep Research for Enterprise Analytics [75.4712507893024]
  Enterprise Deep Research (EDR)は、適応的なクエリ分解のためのマスタープランニングエージェントを統合するマルチエージェントシステムである。 4つの専門的な検索エージェント(General, Academic, GitHub, LinkedIn)と、データ駆動インサイトのための可視化エージェントも含まれている。 EDRは、オプショナル・イン・ザ・ループ・ステアリング・ガイダンスによる研究の方向性を反映する。
  論文  参考訳（メタデータ） (2025-10-20T17:55:11Z)
• InfoAgent: Advancing Autonomous Information-Seeking Agents [143.15973604285304]
  本稿では,革新的なデータ合成パイプラインとWeb検索ツールを駆使したディープリサーチエージェントInfoAgentを紹介する。 我々の方法では、InfoAgentはBrowseCompで15.3%、BrowseComp-ZHで29.2%、Xbench-DSで40.4%の精度を達成した。
  論文  参考訳（メタデータ） (2025-09-29T17:59:57Z)
• AgenticData: An Agentic Data Analytics System for Heterogeneous Data [12.67277567222908]
  AgenticDataはエージェントデータ分析システムで、複数のドメインにまたがるデータソースを自律的に分析しながら、自然言語(NL)の質問に反応することができる。 本稿では,関連するデータを発見するためのデータプロファイリングエージェント,フィードバックに基づく反復最適化のためのセマンティッククロスバリデーションエージェント,短期文脈を維持するためのスマートメモリエージェントを利用するマルチエージェント協調戦略を提案する。
  論文  参考訳（メタデータ） (2025-08-07T03:33:59Z)

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。