論文の概要: Masking Stale Observations Helps Search Agents -- Until It Doesn't: A Regime Map and Its Mechanism

• arxiv url: http://arxiv.org/abs/2606.00408v1
• Date: Fri, 29 May 2026 22:51:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.389088
• Title: Masking Stale Observations Helps Search Agents -- Until It Doesn't: A Regime Map and Its Mechanism
• Title（参考訳）: メーキングステール・オブザーバーは、検索エージェントを助ける―レジームマップとそのメカニズム
• Abstract要約: ロングホライゾン検索エージェントは多くのツールコールにまたがって大量の検索コンテンツを蓄積する。 オフラインおよびライブWebエージェント検索ベンチマークにおいて,様々なエージェントバックボーンと3つのレトリバーを網羅し,観察マスキングについて検討した。 マスキングによる精度向上は,文脈管理なしでモデルの精度に対してプロットした場合,非対称な逆U形状に追従することがわかった。
• 参考スコア（独自算出の注目度）: 23.342723567214733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-horizon search agents accumulate large amounts of retrieved content across many tool calls, making context-budget efficiency increasingly important. A minimal intervention is to mask stale observations from the context as the trajectory progresses, but it remains unclear when this form of context management helps and why. We study observation masking through a systematic sweep over various agent backbones (4B to 284B parameters) and three retrievers on offline and live-web agentic search benchmarks. We find that the accuracy gain from masking follows an asymmetric inverted-U shape when plotted against the model's accuracy without context management: a plateau under weak retrievers, a peak when a strong retriever meets a mid-capacity model, and a sharp collapse when the model is saturated. This pattern reflects the interaction between retriever recall and the model's implicit filtering capacity, rather than either factor in isolation. Mechanistically, masking implements a token-for-turn trade-off: it removes observations the model has largely stopped attending to and pages the agent rarely re-opens. The added turns help when they convert failures into successes, but they fail when masking removes evidence the model would otherwise have used. We therefore reframe context management as a regime-dependent intervention and provide a holistic perspective for analyzing context use in agentic deep search. We release our scaffold and trajectories here (https://github.com/i-DeepSearch/observation-masking) to support future research.
• Abstract（参考訳）: 長い水平探索エージェントは多くのツールコールにまたがって大量の検索コンテンツを蓄積し、コンテキスト予算の効率がますます重要になる。 最小限の介入は、軌跡が進行するにつれて、文脈からの古い観察を隠蔽することである。 オフラインおよびライブWebエージェント検索ベンチマークにおいて,様々なエージェントバックボーン(4Bから284Bパラメータ)と3つのレトリバーを網羅し,観察マスキングについて検討した。 その結果、マスキングによる精度向上は、コンテキスト管理なしでモデルの精度に対してプロットされた場合の非対称逆U形状、弱いレトリバーの台地、強いリトリバーが中容量モデルに適合するピーク、モデルが飽和しているときの急激な崩壊に追随することがわかった。 このパターンは、リレーバーリコールとモデルの暗黙的なフィルタリング能力の間の相互作用を反映している。 メカニカルに、マスキングはトークン・フォー・ターンのトレードオフを実装している。モデルがほとんど参加しなくなった観察を取り除き、エージェントが再オープンすることがほとんどないページを除去する。 さらに,障害を成功に変換する上でも有効だが,マスクがモデルが使用していた証拠を取り除いた場合には失敗する。 そこで我々は状況依存的介入としてコンテキスト管理を再構築し、エージェントディープサーチにおけるコンテキスト使用の分析のための全体論的な視点を提供する。 将来の研究をサポートするため、足場と軌道(https://github.com/i-DeepSearch/observation-masking)をここでリリースします。

関連論文リスト

• MNIST-PRO: MNIST is Back as a Partially Observable World for AI Agents [74.83535434786145]
  MNIST-PRO (MNIST-PRO) は、MNISTの桁認識を、ルックバック制約付きシーケンシャルな視線に基づく検索タスクに変換することで、エージェント認識を分離するベンチマークである。 生の視覚履歴、テキスト状態、構造化されたメートル法グリッドマップ、統合された視覚キャンバスを含む4つの記憶表現の10つのマルチモーダルモデルを評価する。
  論文  参考訳（メタデータ） (2026-08-31T16:05:39Z)
• WeAgent-MMSearch: Native Text-Vision Interaction for Multimodal Search Agents [53.426679066400844]
  WeAgent-Harnessは、ネイティブテキストビジョンインタラクションと実行時リカバリをサポートするマルチモーダルエージェントハーネスである。 WeAgent-MMSearchは,データ構築,エージェントポストトレーニング,マルチモーダルロールアウトにまたがる統合システムである。 また、150タスクの人間認証ベンチマークであるVisTarget-Benchを紹介します。
  論文  参考訳（メタデータ） (2026-08-28T08:28:43Z)
• Buried in Textual Debt: Context Pruning with Visual Evidence Preservation for MLLM Agents [16.82888862043366]
  ツール・ユース・エージェントに蓄積した推論を解析するためのKullback-Leibler-Guidedフレームワークを提案する。 SPAREは、推論トークンの37.89-64.58%を除去しながら、プルーニング法の中で最も高い平均精度を達成する。 この良好な精度とコンテキストのトレードオフは、テキストによる優位性の低下が視覚的証拠への依存を回復し、自己生成言語による過度な条件付けを緩和することを示している。
  論文  参考訳（メタデータ） (2026-08-24T08:29:17Z)
• Do Agents Think Deeper? A Mechanistic Investigation of Layer-Wise Dynamics in Sequential Planning [6.5668779922726666]
  大規模言語モデル(LLM)は、標準のシングルターンタスクでは、その深さを非効率に利用することができる。 エージェント推論は静的タスクとは異なる深度プロファイルを示すことを示す。
  論文  参考訳（メタデータ） (2026-05-27T04:08:08Z)
• RepoMirage: Probing Repository Context Reasoning in Code Agents with Perturbations [51.43574078961796]
  本稿では,SWE-Bench Verified上に構築された2段階評価スイートRepoMirageを紹介する。 RepoMirage-Perturbは、リポジトリレベルの摂動を保存する3つのタイプのセマンティクスを適用している。 RepoAnchorは、下流の問題解決からリポジトリの探索を分離する構造第一のプロトタイプワークフローである。
  論文  参考訳（メタデータ） (2026-05-25T06:26:43Z)
• Detecting Semantic Backdoors in a Mystery Shopping Scenario [0.0]
  分類モデルにおけるセマンティックバックドアの検出問題に対処する。 クリーントレーニングデータセットとモデルのトレーニングレシピが共に知られていることを前提として,参照モデルプールを提案する。 我々はモデル距離を計算するための様々なアプローチを実験的に分析し、また、プロバイダが検出を避けるためにアダプティブアタックを実行するシナリオをテストする。
  論文  参考訳（メタデータ） (2026-01-07T11:04:04Z)
• Backdoor Cleaning without External Guidance in MLLM Fine-tuning [76.82121084745785]
  Believe Your Eyes (BYE)は、アテンションエントロピーパターンを自己教師信号として活用して、バックドアサンプルを特定してフィルタリングするデータフィルタリングフレームワークである。 クリーンタスクのパフォーマンスを維持しながら、ほぼゼロの攻撃成功率を達成する。
  論文  参考訳（メタデータ） (2025-05-22T17:11:58Z)
• Towards Competitive Search Relevance For Inference-Free Learned Sparse Retrievers [7.976154147999298]
  推測のないスパースモデルは 検索の関連という点で はるかに遅れています スパースモデルと密集したサイムズモデルの両方と比較して 性能改善のための2つのアプローチを提案する。 まず,IDFトークンの寄与を抑えるマッチング関数に対するIDF対応ペナルティを提案する。 第2に,シロイヌナズナと疎水性レトリーバーを組み合わせたヘテロジニアスアンサンブル知識蒸留フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-07T03:46:43Z)
• Boot and Switch: Alternating Distillation for Zero-Shot Dense Retrieval [50.47192086219752]
  $texttABEL$は、ゼロショット設定でのパス検索を強化するための、シンプルだが効果的な教師なしのメソッドである。 ラベル付きデータに対して$texttABEL$を微調整するか、既存の教師付き高密度検索と統合することにより、最先端の結果が得られる。
  論文  参考訳（メタデータ） (2023-11-27T06:22:57Z)
• Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
  STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。 まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。 最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
  論文  参考訳（メタデータ） (2023-07-01T13:53:14Z)
• Mask and Restore: Blind Backdoor Defense at Test Time with Masked Autoencoder [50.1394620328318]
  既存のバックドア防御手法では、いくつかのバリデーションデータとモデルパラメータにアクセスする必要があることが多い。 Masked AutoEncoder (BDMAE) を用いたブラインドバックドアディフェンスの提案 BDMAEは、画像の構造的類似性と、テスト画像とMAE復元の間のラベルの整合性を用いて、可能な局所的なトリガを検出する。
  論文  参考訳（メタデータ） (2023-03-27T19:23:33Z)
• Improving Distantly Supervised Relation Extraction with Self-Ensemble Noise Filtering [17.45521023572853]
  本研究では,学習過程におけるノイズを除去する自己アンサンブルフィルタリング機構を提案する。 複数の最先端関係抽出モデルを用いた実験により,提案したフィルタリング機構はモデルの堅牢性を改善し,F1スコアを増加させることを示す。
  論文  参考訳（メタデータ） (2021-08-22T11:23:36Z)

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。