論文の概要: TreeAgent: A Generalizable Multi-Agent Framework for Automated Bias Labeling in Forestry via Compiled Expert Rules and Vision-Language Models

• arxiv url: http://arxiv.org/abs/2606.31976v1
• Date: Tue, 30 Jun 2026 17:16:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.323453
• Title: TreeAgent: A Generalizable Multi-Agent Framework for Automated Bias Labeling in Forestry via Compiled Expert Rules and Vision-Language Models
• Title（参考訳）: TreeAgent: 最適化されたエキスパートルールとビジョンランゲージモデルによる森林における自動バイアスラベル作成のための一般化可能なマルチエージェントフレームワーク
• Abstract要約: 視覚言語モデル(VLM)を用いて専門家決定木を編成するマルチエージェントシステムを提案する。 我々は,多種多様な専門家定義決定構造にまたがるゼロ一般化を可能にするデカップリング宣言決定(D3)フレームワークを定式化する。
• 参考スコア（独自算出の注目度）: 1.523443584117377
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human-labeled data are widely used as reference annotations in ML, despite known variability across annotators in many expert-driven domains. In addition, expert annotation is slow, inconsistent, and remains a major bottleneck for scaling tasks like tree height bias classification in forestry remote sensing. We propose a multi-agent system (MAS) that orchestrates expert decision trees with Vision-Language Models (VLMs), treating the decision tree as a structural prior while VLMs perform localized semantic perception at individual nodes, with multi-agent voting to mitigate VLM stochasticity. We formalize a Decoupled Declarative Decision (D3) Framework that enables zero-modification generalization across diverse expert-defined decision structures. On a tree bias classification testbed, our framework outperforms supervised ML baselines and reduces the amount of expert labeling effort required. These results suggest that agentic orchestration of VLMs with expert priors can reproduce expert-defined labeling procedures at substantially lower annotation cost while maintaining interpretability.
• Abstract（参考訳）: 人間のラベル付きデータは、多くの専門家駆動のドメインでアノテータ間の可変性が知られているにもかかわらず、MLの参照アノテーションとして広く使用されている。 さらに、専門家のアノテーションは遅く、一貫性がなく、森林リモートセンシングにおける樹高バイアスの分類のようなタスクのスケーリングにおいて、依然として大きなボトルネックとなっている。 本稿では,視覚言語モデル (VLM) を用いて専門家決定木を編成し,その決定木を構造的事前として扱うマルチエージェントシステム (MAS) を提案する。 我々は,多種多様な専門家定義決定構造をまたいだゼロモディフィケーションの一般化を可能にするデカップリング宣言決定(D3)フレームワークを定式化する。 木偏差分類テストベッドでは、我々のフレームワークは教師付きMLベースラインより優れており、必要な専門家のラベル付け作業の量を減らすことができる。 これらの結果から,専門家によるVLMのエージェント的オーケストレーションにより,解釈可能性を維持しつつ,アノテーションコストを大幅に低減して,専門家定義のラベル付け手順を再現できることが示唆された。

関連論文リスト

• Ground Then Rank: Revisiting Knowledge-Based VQA with Training-Free Entity Identification [12.586456579827448]
  KB-VQA (Knowledge-Based Visual Question Answering) は、画像中の直接観察可能なコンテンツを超えて、外部の知識に視覚的なクエリを基礎づけることを必要とする。 近年のMLLM(Multi modal large language model)は知覚能力が高いが、細粒度の実体とエビデンスレベルの両方から基礎を置く必要があるKB-VQAタスクに苦慮している。 本稿では,要素識別をセクションレベルの再分類から切り離す,簡易かつトレーニング不要な IBA フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-22T19:27:00Z)
• FAMA: Failure-Aware Meta-Agentic Framework for Open-Source LLMs in Interactive Tool Use Environments [60.3427704389541]
  大規模言語モデルは、自律エージェントの意思決定コアとして、ますます多くデプロイされている。 しかし、会話のベンチマークでは、誤った意思決定のカスケード効果のために、これらのエージェントは頻繁に失敗する。 これらの課題に対処するために、Failure-Aware Meta-Agenticフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-28T02:21:53Z)
• RemoteAgent: Bridging Vague Human Intents and Earth Observation with RL-based Agentic MLLMs [55.44696796126619]
  地球観測システムは、曖昧な自然言語を通じて要求を表現するドメインの専門家を支援するように設計されている。 実用的なEOAIシステムは、あいまいな人間のクエリと適切な多粒度視覚分析タスクのギャップを埋めなければならない。 MLLMの能力固有の境界を戦略的に尊重するエージェントフレームワークであるRemoteAgentを提案する。
  論文  参考訳（メタデータ） (2026-04-09T03:40:46Z)
• Can Large Multimodal Models Inspect Buildings? A Hierarchical Benchmark for Structural Pathology Reasoning [7.005450139695288]
  大規模マルチモーダルモデル(LMM)は、アクティブ推論へのパラダイムシフトを約束する。 textitDefectBenchは基本的な意味認識を超えてLMMを問うために設計された最初のベンチマークである。 この作業は厳格なベンチマーク標準と高品質なオープンソースデータベースの両方を提供する。
  論文  参考訳（メタデータ） (2026-03-20T17:24:46Z)
• FORESTLLM: Large Language Models Make Random Forest Great on Few-shot Tabular Learning [20.27406245916013]
  本稿では,大規模言語モデル(LLM)の意味的推論能力を用いて,決定林の構造的帰納バイアスを統一する枠組みを提案する。 まずLLMがラベル付きデータとラベルなしデータの両方の一貫性に基づいて候補分割を評価するセマンティックスプリッティング基準を導入し、より堅牢で一般化可能な木構造を数発の監視下で実現する。 第2に,LLMが決定経路とその支持例を簡潔で決定論的な予測に蒸留し,雑音の多い経験的推定を意味的インフォームドアウトプットに置き換える,葉ノード安定化のためのワンタイムインコンテキスト推論機構を提案する。
  論文  参考訳（メタデータ） (2026-01-16T14:08:51Z)
• From Laboratory to Real-World Applications: Benchmarking Agentic Code Reasoning at the Repository Level [38.24989792739013]
  本稿では,帰納的アサーション検証を中心とした診断ベンチマークであるRepoReasonを紹介する。 本研究では, 環境を意味として利用し, 地盤構造を再現する実行駆動型突然変異フレームワークを実装した。 我々の発見は、次世代のエージェントソフトウェアエンジニアリングを最適化するための、詳細なホワイトボックスの洞察を提供する。
  論文  参考訳（メタデータ） (2026-01-07T09:22:28Z)
• Explainable and Fine-Grained Safeguarding of LLM Multi-Agent Systems via Bi-Level Graph Anomaly Detection [76.91230292971115]
  大規模言語モデル (LLM) に基づくマルチエージェントシステム (MAS) は複雑なタスクを解く上で強力な能力を示している。 XG-Guardは、MAS内の悪意のあるエージェントを検出するための、説明可能な、きめ細かい保護フレームワークである。
  論文  参考訳（メタデータ） (2025-12-21T13:46:36Z)
• Learning to Debug: LLM-Organized Knowledge Trees for Solving RTL Assertion Failures [9.786099663270083]
  我々は,再利用可能なデバッグの専門知識を知識ツリーに学習し,整理する階層的な知識管理フレームワークであるGROVEを提案する。 GROVEは、事前のケースからデバッグ知識を抽出し、それを、簡潔な知識アイテムをコードする各ノードで、深さの垂直ツリーに整理する。 GROVEはpass@1とpass@5で一貫したゲインを提供し、構造化された知識進化の価値を実証している。
  論文  参考訳（メタデータ） (2025-11-21T22:57:45Z)
• What Makes You Unique? Attribute Prompt Composition for Object Re-Identification [70.67907354506278]
  Object Re-IDentificationは、重複しないカメラビューで個人を認識することを目的としている。 単一ドメインモデルはドメイン固有の機能に過度に適合する傾向がありますが、クロスドメインモデルは多種多様な正規化戦略に依存します。 本稿では,テキストのセマンティクスを利用して識別と一般化を協調的に強化する属性プロンプト合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-23T07:03:08Z)
• CompassVerifier: A Unified and Robust Verifier for LLMs Evaluation and Outcome Reward [50.97588334916863]
  評価と結果報酬のための正確で堅牢な軽量検証モデルであるCompassVerifierを開発した。 数学、知識、多種多様な推論タスクにまたがる多分野の能力を示し、様々な答えの型を処理する能力を示す。 我々は,複数のデータソースから収集したモデル出力からなるVerifierBenchベンチマークを導入し,メタエラーパターンを手動で解析してCompassVerifierを強化する。
  論文  参考訳（メタデータ） (2025-08-05T17:55:24Z)
• Visual Document Understanding and Question Answering: A Multi-Agent Collaboration Framework with Test-Time Scaling [83.78874399606379]
  テスト時間スケーリングを備えたマルチエージェント協調フレームワークであるMACTを提案する。 4つの異なる小規模エージェントから構成され、明確に定義された役割と効果的なコラボレーションがある。 一般および数学的タスクの能力を犠牲にすることなく、より小さなパラメータスケールで優れた性能を示す。
  論文  参考訳（メタデータ） (2025-08-05T12:52:09Z)
• DeforestVis: Behavior Analysis of Machine Learning Models with Surrogate Decision Stumps [46.58231605323107]
  複雑なMLモデルの振る舞いを要約する視覚解析ツールであるDeforestVisを提案する。 DeforestVisは、より多くの切り株をインクリメンタルに生成することで、複雑さとフィデリティのトレードオフを探索するのに役立つ。 DeforestVisの適用性と有用性について,2つのユースケースと,データアナリストとモデル開発者とのエキスパートインタビューで紹介する。
  論文  参考訳（メタデータ） (2023-03-31T21:17:15Z)

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。