Fugu-MT 論文翻訳(概要): Agri-SAGE: Simulation-Grounded Multi-Agent LLM for Context-Aware Agricultural Advisory Generation

論文の概要: Agri-SAGE: Simulation-Grounded Multi-Agent LLM for Context-Aware Agricultural Advisory Generation

arxiv url: http://arxiv.org/abs/2607.00454v1
Date: Wed, 01 Jul 2026 05:18:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-02 19:56:07.725965
Title: Agri-SAGE: Simulation-Grounded Multi-Agent LLM for Context-Aware Agricultural Advisory Generation
Title（参考訳）: Agri-SAGE:環境対応農業アドバイザリージェネレーションのためのシミュレーション付きマルチエージェントLCM
Abstract要約: 静的ガイドラインは、一貫性のある証拠に基づく勧告を提供するが、シーズン内の変動性と動的不確実性に盲目のままである。 LLMを動力とする最近のアドバイザリシステムは、生理学的に不安なレコメンデーションを発生させるリスクが異なる。 Agri-SAGE(アグリ-サージ)は、検索地上のマルチエージェントLPM推論とAPSIMに基づく生体物理シミュレーションを統合するために設計されたクローズドループフレームワークである。
参考スコア（独自算出の注目度）: 0.3371432223361199
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Agricultural advisory systems face a fundamental tension: static agronomic guidelines offer consistent, evidence-based recommendations, yet remain blind to in-season variability and dynamic uncertainties. Recent advisory systems powered by LLMs are liable for a different risk of generating recommendations that are agronomically credible but physiologically unconvincing. Agri-SAGE is a closed-loop framework designed to resolve the above two limitations by integrating retrieval-grounded multi-agent LLM reasoning with APSIM-based biophysical simulation, to generate and validate agronomic advisories. To assess this framework, we evaluate three reasoning approaches, namely Plan-and-Solve, Tree of Thoughts, and Reflexion, over a 10-year retrospective analysis. All three significantly outperform static PoP (Package-of-Practice) baselines, with Tree of Thoughts achieving impressive peak yields. At the same time, Reflexion achieves comparable agronomic outcomes at substantially lower computational cost by leveraging cross-seasonal episodic memory.
Abstract（参考訳）: 農業諮問制度は根本的な緊張に直面している: 静的農業ガイドラインは、一貫性のある証拠に基づく勧告を提供するが、シーズン内の変動と動的不確実性に盲目のままである。 LLMを動力とする最近のアドバイザリシステムは、農業的に信頼性があるが生理学的には説得力のないレコメンデーションを生成するリスクが異なる。 Agri-SAGE(アグリ-サージ)は、Agri-SAGE(アグリ-サージ)とAPSIMに基づく生物物理シミュレーションを併用し、農業のアドバイザリの生成と検証を行うことにより、上記の2つの制限を解決するために設計されたクローズドループフレームワークである。この枠組みを評価するために,10年間の振り返り分析でPlan-and-Solve,Tree of Thoughts,Reflexionの3つの推論手法を評価した。 3つ全てが静的PoP(Package-of-Practice)ベースラインを著しく上回り、Tree of Thoughtsは素晴らしいピーク収率を達成した。同時に、Reflexionは、シーズン間のエピソードメモリを活用することにより、計算コストを大幅に削減して、同等の農業的成果を達成する。

関連論文リスト

LLM-Assisted Behavioural and Scenario Augmentation for Agent-Based Energy Adoption Models [1.1899559337707113]
本稿では,LLM支援仕様設計のためのハイブリッドフレームワークを提案する。振る舞いのルーブリックと構造化シナリオ仕様をキャリブレーションされたエージェントベースモデルに統合する。その結果, LLM 支援仕様は, 調整済みエネルギー ABM に, 制御, 再現可能, 政策関連方式で組み込むことができることがわかった。
論文参考訳（メタデータ） (2026-09-04T08:26:20Z)
Sim2Act: Robust Simulation-to-Decision Learning via Adversarial Calibration and Group-Relative Perturbation [54.29523408543184]
シミュレーションと意思決定の学習は、現実世界の展開を危険にさらすことなく、デジタル環境で安全なポリシートレーニングを可能にする。既存のアプローチでは、平均的なシミュレーションの忠実さを改善するか、保守的な正規化を採用するかに重点を置いている。提案するSim2Actは,シミュレータとポリシーのロバスト性の両方に対処するロバストなシミュレーション・トゥ・意思決定フレームワークである。
論文参考訳（メタデータ） (2026-03-10T00:51:47Z)
On the Plasticity and Stability for Post-Training Large Language Models [54.757672540381236]
塑性と安定性勾配の矛盾として根本原因を同定する。本稿では,確率的衝突解決法(PCR)を提案する。 PCRはトレーニングの軌道を著しく滑らかにし、様々な推論タスクにおいて優れたパフォーマンスを達成する。
論文参考訳（メタデータ） (2026-02-06T07:31:26Z)
Evidence-Augmented Policy Optimization with Reward Co-Evolution for Long-Context Reasoning [52.144281362465996]
本稿では,強化学習を長期シナリオに適用するためのEAPO(Evidence-Augmented Policy Optimization)を提案する。最初にEvidence-Augmented Reasoningパラダイムを確立し、Tree-Structued Evidence Smplingを介して検証する。次に、報酬モデルがグループ相対エビデンス・リワードを計算する特殊なRLアルゴリズムを導入する。トレーニングを通して正確な監視を維持するため、適応的リワード・ポリティ共進化機構をさらに取り入れる。
論文参考訳（メタデータ） (2026-01-15T11:40:57Z)
Agri-R1: Empowering Generalizable Agricultural Reasoning in Vision-Language Models with Reinforcement Learning [22.34625628938106]
我々は,農業用大規模モデルであるtextbfAgri-R1を提案する。我々のフレームワークは、視覚言語合成とLLMに基づくフィルタリングによる高品質な推論データを生成する。疾患認識の精度は+23.2%、農業知識のQAは+33.3%、クロスドメインの一般化は+26.10ポイント向上した。
論文参考訳（メタデータ） (2026-01-08T07:34:37Z)
RAL2M: Retrieval Augmented Learning-To-Match Against Hallucination in Compliance-Guaranteed Service Systems [27.265291265022586]
幻覚はLLM駆動型サービスシステムにおいて大きな関心事である。本稿では,生成幻覚を排除した新しいフレームワークであるRetrieval-Augmented Learning-to-Match(RAL2M)を紹介する。異種モデル能力を明示的にモデル化する問合せ適応型潜在アンサンブル戦略を提案する。
論文参考訳（メタデータ） (2026-01-06T11:00:16Z)
RiskPO: Risk-based Policy Optimization via Verifiable Reward for LLM Post-Training [13.309653291779233]
検証可能な報酬を伴う強化学習は、大規模言語モデル(LLM)の訓練後の中心パラダイムとして浮上している。これらの問題は、稀だが有意義な推論パスを無視しながら、高確率な出力シーケンスを過度に強調することに起因すると我々は主張する。本稿では,古典的平均的目標を原則的リスク対策に置き換えるリスクベース政策最適化(RiskPO)を提案する。
論文参考訳（メタデータ） (2025-10-01T13:53:09Z)
STARec: An Efficient Agent Framework for Recommender Systems via Autonomous Deliberate Reasoning [54.28691219536054]
我々は、自律的な熟考的推論機能を備えたレコメンデータシステムを支援する、ゆっくり考えられた拡張エージェントフレームワークSTARecを紹介する。我々は,先進的推論モデルと嗜好整合型報酬形成から構造化知識の蒸留を組み合わせた2段階のパラダイムであるアンカー強化訓練を開発する。 MovieLens 1MとAmazon CDsベンチマークの実験では、STARecは最先端のベースラインと比較して、大幅なパフォーマンス向上を実現している。
論文参考訳（メタデータ） (2025-08-26T08:47:58Z)
R$^2$ec: Towards Large Recommender Models with Reasoning [59.32598867813266]
R$2$ecは、本質的な推論能力を持つ統一された大型レコメンデータモデルである。 R$2$ecは、推論チェーン生成と効率的なアイテム予測の両方を単一のモデルでサポートするデュアルヘッドアーキテクチャを導入している。注釈付き推論データの欠如を克服するため、強化学習フレームワークであるRecPOを設計する。
論文参考訳（メタデータ） (2025-05-22T17:55:43Z)
The Dual-use Dilemma in LLMs: Do Empowering Ethical Capacities Make a Degraded Utility? [54.18519360412294]
大きな言語モデル(LLM)は、安全のための有害な要求を拒否することと、ユーティリティのための正当な要求を収容することのバランスをとる必要がある。本稿では,DPO(Direct Preference Optimization)に基づくアライメントフレームワークを提案する。我々は,DeepSeek-R1をベンチマークでテストした結果を解析し,この高い評価を得たモデルがもたらす批判的倫理的懸念を明らかにする。
論文参考訳（メタデータ） (2025-01-20T06:35:01Z)
RAGEval: Scenario Specific RAG Evaluation Dataset Generation Framework [66.93260816493553]
本稿では,様々なシナリオにまたがってRAGシステムを評価するためのフレームワークであるRAGvalを紹介する。事実の正確性に焦点をあてて,完全性,幻覚,不適切性の3つの新しい指標を提案する。実験結果から, RAGEvalは, 生成した試料の明瞭度, 安全性, 適合性, 豊かさにおいて, ゼロショット法とワンショット法より優れていた。
論文参考訳（メタデータ） (2024-08-02T13:35:11Z)

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。