論文の概要: Consensus-based Agentic Large Language Model Framework for Harmonized Tariff Schedule Code Classification
- arxiv url: http://arxiv.org/abs/2606.16987v1
- Date: Mon, 15 Jun 2026 17:24:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 18:36:05.099096
- Title: Consensus-based Agentic Large Language Model Framework for Harmonized Tariff Schedule Code Classification
- Title（参考訳）: 調和型ターゲットスケジュール符号分類のための合意に基づくエージェント型大規模言語モデルフレームワーク
- Authors: Truong Thanh Hung Nguyen, Khanh Van Quynh Nguyen, Hoang-Loc Cao, Tri Duong, Phuc Ho, Van Pham, Loc Nguyen, Hung Cao,
- Abstract要約: 本稿では,カナダ10桁のHTSコード分類のためのエージェント型大規模言語モデル(LLM)フレームワークを提案する。
我々は,ロジスティクスと配送のコンテキストから収集した3300のドメイン専門の製品記録をプライベートデータセットで評価した。
- 参考スコア（独自算出の注目度）: 1.0521109824605632
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate Harmonized Tariff Schedule (HTS) code classification is essential for customs clearance, duty assessment, trade statistics, and regulatory compliance in maritime logistics. However, exact HTS classification remains challenging because product descriptions are often short, incomplete, or ambiguous, while correct classification depends on hierarchical tariff structures, legal notes, and jurisdiction-specific rules. This paper proposes an agentic large language model (LLM) framework for Canadian 10-digit HTS code classification in smart-port and maritime logistics environments. The framework integrates multi-agent information retrieval, semantic retrieval over official tariff documents, evidence-grounded reasoning, consensus-based validation, element-wise voting across hierarchical code components, confidence estimation, and human-in-the-loop escalation. We evaluate the framework on a private dataset of 3,300 domain-expert-labeled product records collected from logistics and delivery contexts. Experimental results show that exact 10-digit classification remains difficult even for advanced LLMs, with performance decreasing from coarse chapter-level prediction to fine-grained tariff and statistical suffix assignment. These findings demonstrate the need for evidence-grounded, uncertainty-aware, and human-centered classification workflows rather than fully autonomous single-step prediction. The proposed framework supports more interpretable, accountable, and compliance-oriented HTS classification for maritime logistics and smart-port operations. Our code is available at https://github.com/Analytics-Everywhere-Lab/hts.
- Abstract（参考訳）: 正確な調和関税スケジュール (HTS) のコード分類は、海運物流における税関のクリアランス、義務評価、貿易統計、規制コンプライアンスに不可欠である。
しかし、製品の記述が短く、不完全で、曖昧であるのに対して、正確なHTS分類は階層的な関税構造、法定手形、司法固有の規則に依存しているため、正確なHTS分類は依然として困難である。
本稿では,スマートポートおよび海上物流環境における10桁のHTSコード分類のためのエージェント型大規模言語モデル(LLM)フレームワークを提案する。
このフレームワークは、マルチエージェント情報検索、公式関税文書に対するセマンティック検索、エビデンスに基づく推論、コンセンサスに基づく検証、階層的なコードコンポーネント間の要素ワイド投票、信頼度推定、ループ内エスカレーションを統合している。
我々は,ロジスティクスと配送のコンテキストから収集した3300のドメイン専門の製品記録をプライベートデータセットで評価した。
実験の結果,高度なLCMでも正確な10桁の分類は困難であり,粗い章レベルの予測から細粒度関税や統計的接尾辞の割り当てまで性能が低下していることがわかった。
これらの結果は、完全自律的な単一ステップ予測ではなく、エビデンス、不確実性を認識し、人間中心の分類ワークフローの必要性を示している。
提案するフレームワークは,海上物流およびスマートポート運用のための,より解釈可能な,説明可能な,コンプライアンス指向のHTS分類をサポートする。
私たちのコードはhttps://github.com/Analytics-Everywhere-Lab/hts.comで利用可能です。
関連論文リスト
- LLMEval-Logic: A Solver-Verified Chinese Benchmark for Logical Reasoning of LLMs with Adversarial Hardening [69.1037790901185]
現実的な状況シナリオから構築した中国の論理的推論ベンチマークLLMEval-Logicを提案する。
パイプラインのフォワードオーサとエキスパート-オーディット 自然言語アイテムは、参照の形式化とともに、Z3による注釈付き回答を検証し、自然言語から形式へのグレーディングのためのエキスパートルーブリックを構築し、クローズドループの逆行ワークフローを通じて選択されたアイテムを硬化させる。
論文 参考訳（メタデータ） (2026-05-19T09:40:29Z) - ClaHF: A Human Feedback-inspired Reinforcement Learning Framework for Improving Classification Tasks [11.138973570127206]
テキスト分類のための人間によるフィードバックに基づく強化学習フレームワークであるClaHFを提案する。
ClaHFは、追加の人間のアノテーションを必要とせずに、好みのモデリングとRL最適化を分類パイプラインに統合する。
ClaHFは多様な言語モデル間での分類性能と信頼性校正の両方を一貫して改善することを示した。
論文 参考訳（メタデータ） (2026-05-17T14:00:01Z) - GeoDecider: A Coarse-to-Fine Agentic Workflow for Explainable Lithology Classification [52.5232577739543]
リソロジー分類は、よく記録された信号から地下岩のタイプを推定することを目的としている。
既存の方法では、リソロジー分類を単一パスの分類タスクとして扱うことができる。
高精度かつ説明可能なリソロジー分類を可能にする粗大なエージェントワークフローであるGeoDeciderを提案する。
論文 参考訳（メタデータ） (2026-05-05T05:42:51Z) - Job Skill Extraction via LLM-Centric Multi-Module Framework [51.37063712967151]
本稿では,意味検索,文脈内学習,教師付き微調整を組み合わせたLLM中心のフレームワークであるSRICLを提案する。
SRICLは、6つの公的なスパンラベル付きジョブアド文のコーパスにおいて、GPT-3.5よりも相当なSTRICT-F1の改善を達成し、ベースラインを加速し、無効なタグと幻覚したスパンを激減する。
論文 参考訳（メタデータ） (2026-04-23T10:46:07Z) - ORCHID: Orchestrated Retrieval-Augmented Classification with Human-in-the-Loop Intelligent Decision-Making for High-Risk Property [6.643427585499247]
ORCHIDは、HRP分類のためのモジュール型エージェントシステムである。
検索強化世代(RAG)を人間の監視と組み合わせて、監査可能なポリシベースのアウトプットを生成する。
デモでは、単一項目の提出、接地された引用、中小企業のフィードバックキャプチャ、エクスポート可能な監査アーティファクトなどが紹介されている。
論文 参考訳（メタデータ） (2025-11-07T03:48:05Z) - Issue-Oriented Agent-Based Framework for Automated Review Comment Generation [15.04868140672973]
RevAgentは、コードレビューコメントのための新しいエージェントベースのイシュー指向フレームワークである。
タスクは生成、識別、訓練の3段階に分けられる。
最先端のPLMとLMベースのベースラインをはるかに上回っている。
論文 参考訳（メタデータ） (2025-11-01T11:44:11Z) - SCAN: Structured Capability Assessment and Navigation for LLMs [54.54085382131134]
textbfSCAN (Structured Capability Assessment and Navigation) は、大規模言語モデルの詳細な特徴付けを可能にする実用的なフレームワークである。
SCANには4つの重要なコンポーネントが含まれている。
TaxBuilder – クエリから機能表示タグを抽出して階層的な分類構造を構築する。
RealMixは、各機能タグに対する十分な評価データを保証するクエリ合成とフィルタリングのメカニズムである。
PC$2$ベースのLCM-as-a-Judge法は従来のLCM-as-a-Judge法と比較して大幅に精度が向上する
論文 参考訳（メタデータ） (2025-05-10T16:52:40Z) - A Hierarchical Neural Framework for Classification and its Explanation in Large Unstructured Legal Documents [0.5812284760539713]
我々はこの問題を「注釈付き法律文書」と定義する。
我々はMEScと呼ぶディープラーニングに基づく分類フレームワークを提案する。
また、ORSEと呼ばれる説明抽出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-19T12:18:28Z) - CoPHE: A Count-Preserving Hierarchical Evaluation Metric in Large-Scale
Multi-Label Text Classification [70.554573538777]
ニューラルLMTCモデルの予測の階層的評価について論じる。
先行技術における構造化ラベル空間の表現における構造的問題について述べる。
深度に基づく表現を用いた階層的評価のための指標セットを提案する。
論文 参考訳（メタデータ） (2021-09-10T13:09:12Z) - Overview of the TREC 2019 Fair Ranking Track [65.15263872493799]
TREC Fair Ranking トラックの目標は、異なるコンテンツプロバイダに対する公正性の観点から、検索システムを評価するベンチマークを開発することであった。
本稿では,タスク定義やデータ記述,アノテーションプロセスなどを含むトラックの概要について述べる。
論文 参考訳（メタデータ） (2020-03-25T21:34:58Z)
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。