論文の概要: Multi-Agent Reasoning with Adaptive Worker Allocation for Stance Detection

• arxiv url: http://arxiv.org/abs/2606.11609v1
• Date: Wed, 10 Jun 2026 03:20:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.264821
• Title: Multi-Agent Reasoning with Adaptive Worker Allocation for Stance Detection
• Title（参考訳）: スタンス検出のためのアダプティブ・ワークアロケーションを用いたマルチエージェント推論
• Authors: Meysam Sabbaghan, Arman Zareian Jahromi, Doina Caragea,
• Abstract要約: 姿勢検出のためのアダプティブワーカーアロケーションを備えたマルチエージェント推論フレームワークを提案する。 このフレームワークは、アグリゲーションをラベルレベルの投票から推論レベルの合成にシフトする。 Llama, Mistral, Gemini を用いたSemEval-2016, P-Stance, COVID-19 Stance のフレームワークについて検討した。
• 参考スコア（独自算出の注目度）: 2.8758927043198206
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stance detection requires identifying an author's position toward a target, often from short-form texts where stance is implicit, indirect, or rhetorically framed. Although large language models (LLMs) achieve strong performance on this task, single-pass prompting can be brittle when multiple interpretations are plausible. Existing aggregation strategies, such as majority voting or self-consistency, improve robustness by combining labels, but they discard the intermediate reasoning needed to resolve conflicting interpretations. We introduce a multi-agent reasoning framework with adaptive worker allocation for stance detection that shifts aggregation from label-level voting to reasoning-level synthesis. The framework employs a Manager-Worker architecture in which a Manager adaptively allocates a variable number of Worker agents based on input complexity. Each Worker analyzes the input from a distinct perspective and produces a reasoning-only explanation without emitting a stance label; the Manager then synthesizes these explanations to produce the final prediction. We evaluate the proposed framework on SemEval-2016, P-Stance, and COVID-19 Stance using Llama, Mistral, and Gemini. Results show that the framework yields the largest gains on implicit and context-dependent stance cases, achieving 86.07 Macro-F1 on COVID-19 and 82.90 on SemEval-2016, while remaining competitive on more explicit stance datasets such as P-Stance. These findings suggest that adaptive reasoning-level aggregation is most beneficial when stance cannot be reliably inferred from surface cues alone.
• Abstract（参考訳）: スタンス検出は、著者の標的に対する位置を特定することを必要とし、多くの場合、姿勢が暗黙的、間接的、または修辞的にフレーム化された短文からである。 大規模言語モデル(LLM)はこのタスクにおいて高い性能を達成するが、複数の解釈が可能である場合、シングルパスプロンプトは不安定である。 既存のアグリゲーション戦略、例えば多数決や自己整合性はラベルを組み合わせることによって堅牢性を改善するが、矛盾する解釈を解決するのに必要な中間的推論を放棄する。 ラベルレベルの投票から推論レベルの合成へ集約をシフトさせるスタンス検出のために,適応的な作業員割当を備えたマルチエージェント推論フレームワークを提案する。 このフレームワークでは、マネージャが入力の複雑さに基づいて、可変数のWorkerエージェントを適応的に割り当てる Manager-Worker アーキテクチャを採用している。 各ワーカーは入力を別の視点から分析し、スタンスラベルを出力せずに推論のみの説明を生成し、マネージャはこれらの説明を合成して最終的な予測を生成する。 Llama, Mistral, Gemini を用いたSemEval-2016, P-Stance, COVID-19 Stance のフレームワークについて検討した。 結果は、このフレームワークが暗黙的および文脈に依存したスタンスケースで最大の利益をもたらし、COVID-19では86.07 Macro-F1、SemEval-2016では82.90、P-Stanceのようなより明示的なスタンスデータセットでは競争力を維持していることを示している。 これらの結果から,適応的推論レベルアグリゲーションは,表面的手がかりのみからスタンスを確実に推測できない場合に最も有益であることが示唆された。

関連論文リスト

• ORCH: many analyses, one merge-a deterministic multi-agent orchestrator for discrete-choice reasoning with EMA-guided routing [0.6445605125467574]
  ORCHは異種言語モデルを編成する離散選択推論のためのフレームワークである。 タスクの分解と回答の集約に固定されたルールを使用し、パイプラインを予測可能、再現可能、トレーニング不要にする。 MMLU、MMLU-Pro、GSM8Kの実験では、ORCHは単一モデルベースラインと多数投票アンサンブルを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-02T08:27:58Z)
• CoT-Seg: Rethinking Segmentation with Chain-of-Thought Reasoning and Self-Correction [50.67483317563736]
  本稿では,段階的に考察し,必要な情報を検索し,結果を生成し,自己評価を行い,結果を洗練するシステムを提案する。 CoT-Segは、思考の連鎖推論と自己補正を組み合わせることで、推論セグメンテーションを再考する、トレーニング不要のフレームワークである。
  論文  参考訳（メタデータ） (2026-01-24T11:41:54Z)
• Reasoning-Driven Amodal Completion: Collaborative Agents and Perceptual Evaluation [17.405818788700234]
  本稿では,視覚合成から意味的計画を明確に分離する協調的マルチエージェント推論フレームワークを提案する。 提案手法は,画素生成前の構造的,明示的なプランを生成し,視覚的,意味的に整合した単一パス合成を可能にする。 従来の評価基準の限界に対処し,新しい人間対応評価指標MAC-Scoreを導入する。
  論文  参考訳（メタデータ） (2025-12-24T04:39:45Z)
• Connecting the Dots: Training-Free Visual Grounding via Agentic Reasoning [63.109585527799005]
  GroundingAgentは、タスク固有の微調整なしで動作するビジュアルグラウンドティングフレームワークである。 広く使用されているベンチマークでは、平均ゼロショットグラウンドの精度は65.1%である。 また、強い解釈可能性を提供し、各推論ステップを透過的に照らす。
  論文  参考訳（メタデータ） (2025-11-24T03:11:08Z)
• 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)
• Internalizing Self-Consistency in Language Models: Multi-Agent Consensus Alignment [22.305033366660187]
  言語モデル(LM)は矛盾する推論子であり、しばしば同じプロンプトに対する矛盾した応答を生成する。 適切に整合した推論モデルの本質的な性質として自己整合性を定式化し、MACA(Multi-Agent Consensus Alignment)を導入する。 MACAは、エージェントが自分自身をより決定的かつ簡潔に教えることを可能にし、外部の監督なしにマルチエージェント設定におけるピアインサイトをより活用する。
  論文  参考訳（メタデータ） (2025-09-18T17:27:28Z)
• When Disagreements Elicit Robustness: Investigating Self-Repair Capabilities under LLM Multi-Agent Disagreements [56.29265568399648]
  我々は、不一致が早期のコンセンサスを防ぎ、探索されたソリューション空間を拡張することを主張する。 タスククリティカルなステップの相違は、ソリューションパスのトポロジによってコラボレーションを損なう可能性がある。
  論文  参考訳（メタデータ） (2025-02-21T02:24:43Z)
• Sentiment Analysis through LLM Negotiations [58.67939611291001]
  感情分析の標準的なパラダイムは、単一のLCMに依存して、その決定を1ラウンドで行うことである。 本稿では,感情分析のためのマルチLLMネゴシエーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-03T12:35:29Z)

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。