論文の概要: A framework for single and multi-agent human-AI curiosity ecosystems

• arxiv url: http://arxiv.org/abs/2607.06214v2
• Date: Thu, 16 Jul 2026 02:02:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.826743
• Title: A framework for single and multi-agent human-AI curiosity ecosystems
• Title（参考訳）: 単一・多エージェント型AI好奇心エコシステムの枠組み
• Abstract要約: 本稿では、好奇心をエコシステムとして考えるための枠組みを提供する。 単一のエージェントの問い合わせポリシーは、エージェントが即時不確実性削減、コスト、遅延リターン、そして質問をオープンに保つ価値をどのように評価するかにかかっていることを示唆している。 フレームワークにおける重要なコンセプトは、これらの決定に関連した用語の重みが経験によって変わることだ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper offers a framework for considering curiosity as an ecosystem. First, it suggests that a single agent's inquiry policy (how, when, and why an agent asks a question) depends on how the agent values immediate uncertainty reduction, costs, delayed return, and the value of keeping the question open. A key concept in the framework is that the weights on these decision-related terms can change with experience. For example, a period of cheap, quickly answered questions may change the cost of inquiry on a short timescale and change which kinds of questions the agent is drawn to answer over a longer timescale. Second, these ideas are extended to many agents exploring a shared knowledge landscape, and there the framework tracks inquiry volume, topic diversity, frontier-directed inquiry, redundancy, and reusable knowledge. The result is a conceptual framework for studying curiosity ecology and for future efforts towards designing multi-agent AI systems for discovery.
• Abstract（参考訳）: 本稿では、好奇心をエコシステムとして考えるための枠組みを提供する。 まず、単一のエージェントの問い合わせポリシー(どのように、いつ、なぜエージェントが質問するのか)が、エージェントが即時不確実性削減、コスト、遅延リターン、質問をオープンにしておく価値をどのように評価するかに依存することを示唆する。 フレームワークにおける重要なコンセプトは、これらの決定に関連した用語の重みが経験によって変わることだ。 例えば、安価で素早く答えられる質問の期間は、短い時間スケールでの問い合わせのコストを変え、エージェントがより長い時間スケールで答えるために引き起こされる質問の種類を変える可能性がある。 第二に、これらのアイデアは共有知識のランドスケープを探索する多くのエージェントに拡張され、このフレームワークは調査ボリューム、トピックの多様性、フロンティア指向の探究、冗長性、再利用可能な知識を追跡する。 その結果は、好奇心の生態学を研究するための概念的枠組みであり、発見のためのマルチエージェントAIシステムを設計するための今後の取り組みである。

関連論文リスト

• Knowledge Affordances for Hybrid Human-AI Information Seeking [0.012534368059500575]
  本稿では,人間とAIのハイブリッド環境における情報探索において,エージェントが有意義な機会を識別する方法を体系化するための知識提供(KA)の概念を紹介する。 本稿では,知識ソースが提供できるもの,どのような質問やコンテキスト特性を宣言的,意味論的に定義した記述として,KAを提案する。 我々の貢献は、アベイランス、セマンティックWebサービス、知識工学とクエリ、相互の知性など、さまざまな研究の流れを繋ぐ概念的な提案である。
  論文  参考訳（メタデータ） (2026-04-30T07:43:57Z)
• 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)
• A dataset of questions on decision-theoretic reasoning in Newcomb-like problems [10.826981264871655]
  いわゆるニューコム型問題の決定理論において,自然言語質問のデータセットを導入する。 ニューコムのような問題に対する推論のいくつかの方法は、モデル間のより深い協調を可能にするかもしれない。
  論文  参考訳（メタデータ） (2024-11-15T21:19:04Z)
• Benchmarking Multimodal Retrieval Augmented Generation with Dynamic VQA Dataset and Self-adaptive Planning Agent [92.5712549836791]
  マルチモーダル大規模言語モデル(MLLM)に固有の「ハロシン化」問題を緩和する上で,mRAG(Multimodal Retrieval Augmented Generation)が重要な役割を果たしている。 マルチモーダル検索のための自己適応型計画エージェントOmniSearchを提案する。
  論文  参考訳（メタデータ） (2024-11-05T09:27:21Z)
• ReST meets ReAct: Self-Improvement for Multi-Step Reasoning LLM Agent [50.508669199496474]
  外部知識に基づいて推論と行動を行うReAct-style LLMエージェントを開発した。 エージェントをReSTライクな手法で改良し,従来の軌道上で反復的に訓練する。 引き起こされた大きなモデルから始まり、アルゴリズムのたった2イテレーションの後に、微調整された小さなモデルを生成することができる。
  論文  参考訳（メタデータ） (2023-12-15T18:20:15Z)
• ChoiceMates: Supporting Unfamiliar Online Decision-Making with Multi-Agent Conversational Interactions [53.07022684941739]
  これらのニーズに対応するために設計された対話型マルチエージェントシステムであるChoiceMatesを提案する。 エージェントによるタスクを自動化する既存のマルチエージェントシステムとは異なり、ユーザはエージェントを編成して意思決定プロセスを支援する。
  論文  参考訳（メタデータ） (2023-10-02T16:49:39Z)
• Eliciting Risk Aversion with Inverse Reinforcement Learning via Interactive Questioning [0.0]
  本稿では,対話型質問を用いたエージェントのリスク回避のための新しいフレームワークを提案する。 エージェントのリスク回避は、質問の数が無限大になる傾向があり、質問がランダムに設計されるため、特定できることを示す。 我々のフレームワークはロボアドバイスに重要な応用があり、エージェントのリスク嗜好を特定するための新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2023-08-16T15:17:57Z)
• Multi-hop Commonsense Knowledge Injection Framework for Zero-Shot Commonsense Question Answering [6.086719709100659]
  本稿では,新しいマルチホップコモンセンス知識注入フレームワークを提案する。 本フレームワークは,5つの共通知識質問応答ベンチマークにおいて,最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-05-10T07:13:47Z)
• What should I Ask: A Knowledge-driven Approach for Follow-up Questions Generation in Conversational Surveys [63.51903260461746]
  対話型調査における知識駆動型フォローアップ質問生成のための新しい課題を提案する。 そこで我々は,対話履歴とラベル付き知識を用いた人手によるフォローアップ質問の新しいデータセットを構築した。 次に,その課題に対する2段階の知識駆動モデルを提案する。
  論文  参考訳（メタデータ） (2022-05-23T00:57:33Z)
• Asking for Knowledge: Training RL Agents to Query External Knowledge Using Language [121.56329458876655]
  グリッドワールドベースのQ-BabyAIとテキストベースのQ-TextWorldの2つの新しい環境を紹介した。 本稿では,意味のある知識を問うための言語コマンドを生成する「知識の探索(AFK)」エージェントを提案する。
  論文  参考訳（メタデータ） (2022-05-12T14:20:31Z)
• KAT: A Knowledge Augmented Transformer for Vision-and-Language [56.716531169609915]
  我々は、OK-VQAのオープンドメインマルチモーダルタスクにおいて、最先端の強力な結果をもたらす新しいモデルである知識拡張トランスフォーマー(KAT)を提案する。 提案手法は,エンド・ツー・エンドのエンコーダ・デコーダアーキテクチャにおいて暗黙的かつ明示的な知識を統合しつつ,回答生成時に両知識源を共同で推論する。 我々の分析では、モデル予測の解釈可能性の向上に、明示的な知識統合のさらなる利点が見られる。
  論文  参考訳（メタデータ） (2021-12-16T04:37:10Z)
• Ask & Explore: Grounded Question Answering for Curiosity-Driven Exploration [17.28353205476766]
  エージェントに対する外在的な報酬が極めて少ない現実のシナリオでは、好奇心は有用な概念として現れている。 本稿では,エージェントに環境に関する質問をするように促し,接地質問応答に基づく好奇心を定式化する。 自然言語に関する質問は,対象の物理的性質や他の対象との空間的関係など,その環境に関する特定の知識を明らかにすることを促す。
  論文  参考訳（メタデータ） (2021-04-24T07:56:31Z)
• A Survey on Complex Question Answering over Knowledge Base: Recent Advances and Challenges [71.4531144086568]
  知識ベース(KB)に対する質問回答(QA)は、自然言語の質問に自動的に答えることを目的としている。 研究者は、よりKBのトリプルと制約推論を必要とする単純な質問から複雑な質問へと注意を移した。
  論文  参考訳（メタデータ） (2020-07-26T07:13:32Z)

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。