論文の概要: SMADE-IE: Sparse Multi-Agent Framework with Evidence-Driven Debate for Zero-Shot Information Extraction
- arxiv url: http://arxiv.org/abs/2606.04691v1
- Date: Wed, 03 Jun 2026 10:18:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-04 20:44:18.678427
- Title: SMADE-IE: Sparse Multi-Agent Framework with Evidence-Driven Debate for Zero-Shot Information Extraction
- Title（参考訳）: SMADE-IE:ゼロショット情報抽出のためのエビデンス駆動議論を伴うスパースマルチエージェントフレームワーク
- Authors: Kenfeng Huang, Yi Cai, Xin Wu, Zikun Deng, Li Yuan,
- Abstract要約: ゼロショット情報抽出のためのスパースかつエビデンス駆動型マルチエージェントフレームワークSMADE-IEを提案する。
SMADE-IEは、まずAdaptive Mode Selectorを使用して、入力を軽量なグローバル抽出モードまたはタイプ中心抽出モードに動的にルーティングする。
矛盾する予測のために、議論をトゥールミンスタイルのコンポーネントに構造化するエビデンス駆動の議論機構を導入する。
- 参考スコア（独自算出の注目度）: 36.70712572799873
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Zero-shot information extraction (IE) with large language models (LLMs) has attracted increasing attention due to its flexibility in adapting to new schemas and domains without task-specific training. Existing approaches mainly rely on monolithic prompting, each-type prompting, or multi-agent debate. However, monolithic prompting often suffers from boundary and type errors, while each-type prompting and multi-agent debate introduce cross-type conflicts, redundant agent interactions, and substantial token overhead. To address these challenges, we propose SMADE-IE, a sparse and evidence-driven multi-agent framework for zero-shot IE. SMADE-IE first employs an Adaptive Mode Selector to dynamically route inputs into either a lightweight Global Extraction Mode or a Type-Centric Extraction Mode, reducing unnecessary type selection and reasoning noise. For conflicting predictions, we further introduce an Evidence-Driven Debate mechanism that structures arguments into Toulmin-style components and performs confidence aggregation through external evidence scoring and Bayesian updates. Experimental results on 9 benchmark datasets across NER, RE, and JERE tasks show that SMADE-IE consistently outperforms existing zero-shot IE baselines while also improving token efficiency through sparse agent selection and early-stopping debate.
- Abstract（参考訳）: 大きな言語モデル(LLM)を持つゼロショット情報抽出(IE)は、タスク固有のトレーニングなしで新しいスキーマやドメインに適応する柔軟性のために、注目を集めている。
既存のアプローチは主にモノリシックなプロンプト、各タイプのプロンプト、マルチエージェントの議論に依存している。
しかし、モノリシックなプロンプトは境界や型エラーに悩まされることが多いが、各タイプのプロンプトとマルチエージェントの議論には、クロスタイプのコンフリクト、冗長なエージェントのインタラクション、トークンのオーバヘッドが導入されている。
これらの課題に対処するために、ゼロショットIEのためのスパースでエビデンス駆動のマルチエージェントフレームワークSMADE-IEを提案する。
SMADE-IEは、まず適応モードセレクタを使用して、入力を軽量なグローバル抽出モードまたはタイプ中心抽出モードに動的にルーティングし、不要な型選択と推論ノイズを減らす。
矛盾する予測のために、我々はさらに、議論をトゥールミンスタイルのコンポーネントに構造化し、外部証拠のスコアリングやベイズ更新を通じて信頼集約を行うエビデンス駆動の議論機構を導入する。
NER、RE、JEREタスクにわたる9つのベンチマークデータセットの実験結果は、SMADE-IEが既存のゼロショットIEベースラインを一貫して上回り、スパースエージェントの選択と早期停止に関する議論を通じてトークン効率を向上していることを示している。
関連論文リスト
- IE as Cache: Information Extraction Enhanced Agentic Reasoning [82.00741114456727]
情報抽出は、構造化されていないテキストから構造化された決定関連情報を抽出することを目的としている。
我々は,IEを認知キャッシュとして再利用し,エージェント推論を強化するフレームワークであるtextitIE-as-Cacheを提案する。
論文 参考訳（メタデータ） (2026-04-16T12:18:27Z) - 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) - SIGHT: Reinforcement Learning with Self-Evidence and Information-Gain Diverse Branching for Search Agent [39.43590030917357]
SIGHTは、セルフエビデンスサポートと情報ゲイン駆動のディバースブランチを通じて、検索ベースの推論を強化するフレームワークである。
SIGHTは、検索結果をSESを介して高忠実性証拠に蒸留し、インフォメーションゲインスコアを算出して、重要な状態を特定する。
シングルホップとマルチホップのQAベンチマークの実験では、SIGHTが既存のアプローチを大幅に上回っていることが示されている。
論文 参考訳（メタデータ） (2026-02-12T04:16:55Z) - From Sparse Decisions to Dense Reasoning: A Multi-attribute Trajectory Paradigm for Multimodal Moderation [59.27094165576015]
疎度な意思決定から高密度な推論トレースへ移行する新しい学習パラダイム(UniMod)を提案する。
モノリシックな意思決定タスクを多次元境界学習プロセスに再構成し,エビデンス,モダリティ評価,リスクマッピング,政策決定,応答生成を含む構造化軌道を構築する。
タスク固有のパラメータを分離し、トレーニングダイナミクスを再バランスさせ、マルチタスク学習における多様な目的間の干渉を効果的に解消する、特別な最適化戦略を導入する。
論文 参考訳（メタデータ） (2026-01-28T09:29:40Z) - MulVul: Retrieval-augmented Multi-Agent Code Vulnerability Detection via Cross-Model Prompt Evolution [28.062506040151153]
大きな言語モデル(LLM)は、2つの重要な制限のため、現実世界の脆弱性検出を自動化するのに苦労している。
脆弱性パターンの不均一性は単一の統一モデルの有効性を損なう。
textbfMulVulは,高精度かつ広範囲な脆弱性検出のための検索拡張型マルチエージェントフレームワークである。
論文 参考訳（メタデータ） (2026-01-26T12:43:10Z) - MADIAVE: Multi-Agent Debate for Implicit Attribute Value Extraction [52.89860691282002]
インプシット属性値抽出(AVE)は、電子商取引における商品の正確な表現に不可欠である。
マルチモーダル大言語モデル(MLLM)の進歩にもかかわらず、多次元データの複雑さのため暗黙のAVEは依然として困難である。
我々は,複数のMLLMエージェントを用いて推論を反復的に洗練するマルチエージェント討論フレームワークであるtextscmodelnameを紹介する。
論文 参考訳（メタデータ） (2025-10-07T06:27:42Z) - D-REX: A Benchmark for Detecting Deceptive Reasoning in Large Language Models [62.83226685925107]
Deceptive Reasoning Exposure Suite (D-REX)は、モデルの内部推論プロセスと最終的な出力との相違を評価するために設計された、新しいデータセットである。
D-REXの各サンプルには、敵システムプロンプト、エンドユーザーのテストクエリ、モデルの一見無害な応答、そして重要なことに、モデルの内部チェーンが含まれている。
我々は、D-REXが既存のモデルと安全メカニズムに重大な課題をもたらすことを実証した。
論文 参考訳（メタデータ） (2025-09-22T15:59:40Z) - PromptSleuth: Detecting Prompt Injection via Semantic Intent Invariance [10.105673138616483]
大規模言語モデル(LLM)は、仮想アシスタントから自律エージェントに至るまで、現実のアプリケーションにますます統合されている。
攻撃者がパラフレーズ、難読化、マルチタスクのインジェクション戦略で進化するにつれて、既存のベンチマークは、出現する脅威の全スペクトルを捉えるのに十分ではない。
PromptSleuthは,表面的特徴ではなくタスクレベルの意図を推論することで,迅速なインジェクションを検出するセマンティック指向の防衛フレームワークである。
論文 参考訳（メタデータ） (2025-08-28T15:19:07Z) - Knowledge-Aware Iterative Retrieval for Multi-Agent Systems [0.0]
本稿では,新しい大規模言語モデル (LLM) によるエージェントフレームワークを提案する。
動的に進化する知識を活用することで、クエリを反復的に洗練し、文脈的証拠をフィルタリングする。
提案システムは、更新されたコンテキストの競合的および協調的な共有をサポートする。
論文 参考訳（メタデータ） (2025-03-17T15:27:02Z)
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。