論文の概要: ASMR: Agentic Schema Generation for Ship Maintenance Report Writing
- arxiv url: http://arxiv.org/abs/2607.08177v1
- Date: Thu, 09 Jul 2026 07:25:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.438532
- Title: ASMR: Agentic Schema Generation for Ship Maintenance Report Writing
- Title（参考訳）: ASMR: 船舶保守報告書作成のためのエージェントスキーマ生成
- Abstract要約: 本稿では,2つの特殊エージェントからなるモジュール型エージェントフレームワークを提案する。
フィールド生成エージェントは歴史的物語から意味概念を抽出し、構造エージェントはコンパクトで情報的で非冗長なスキーマ表現を識別する。
予備的な結果は、提案されたアプローチの可能性を実証し、データ管理、エージェントAI、人間中心AIの交差点におけるいくつかのオープンな研究課題を強調している。
- 参考スコア（独自算出の注目度）: 6.781317719462542
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, we study the automatic schema generation problem: given a collection of historical ship maintenance and operational reports across multiple form categories, automatically discover compact and informative schemas that capture the essential information requirements of each report type. To address this challenge, we propose ASMR, a modular agentic framework consisting of two specialized agents. A Field Generation Agent extracts semantic concepts from historical narratives and generates candidate schema fields through adaptive multi-granularity clustering, while a Structural Optimizer Agent employs reinforcement learning to identify compact, informative, and non-redundant schema representations. The resulting schemas can guide report authors toward producing more complete, consistent, and actionable reports. Preliminary results demonstrate the promise of the proposed approach and highlight several open research challenges at the intersection of data management, agentic AI, and human-centered AI.
- Abstract（参考訳）: 本稿では,複数の形態カテゴリにまたがる過去の船舶の保守および運用報告の収集を前提に,各報告タイプの本質的情報要求を捉えたコンパクトかつ情報的スキーマを自動的に発見する,自動スキーマ生成問題について検討する。
この課題に対処するために,2つの特殊エージェントからなるモジュール型エージェントフレームワークであるASMRを提案する。
フィールド生成エージェントは、過去の物語から意味論的概念を抽出し、適応的な多粒度クラスタリングにより候補スキーマフィールドを生成する一方、構造最適化エージェントは、コンパクトで情報的で非冗長なスキーマ表現を識別するために強化学習を用いる。
結果のスキーマは、レポート作成者に対して、より完全で一貫性があり、実行可能なレポートを作成するよう導くことができる。
予備的な結果は、提案されたアプローチの可能性を実証し、データ管理、エージェントAI、人間中心AIの交差点におけるいくつかのオープンな研究課題を強調している。
関連論文リスト
- Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
文書理解は、財務分析から科学的発見への応用に不可欠である。
現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。
Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
論文 参考訳（メタデータ） (2025-10-17T02:33:16Z) - AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。
エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
論文 参考訳（メタデータ） (2025-10-06T23:20:49Z) - MRGSEM-Sum: An Unsupervised Multi-document Summarization Framework based on Multi-Relational Graphs and Structural Entropy Minimization [15.596156608713347]
MRGSEM-Sumはマルチリレーショナルグラフと構造エントロピー最小化に基づく教師なしマルチドキュメント要約フレームワークである。
本稿では,各クラスタを蒸留し,簡潔かつ情報的な要約を生成する位置認識圧縮機構を提案する。
論文 参考訳（メタデータ） (2025-07-31T10:14:03Z) - Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。
本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
論文 参考訳（メタデータ） (2025-06-22T16:52:48Z) - Comparative Analysis of AI Agent Architectures for Entity Relationship Classification [1.6887793771613606]
本研究では,3つの異なるAIエージェントアーキテクチャの比較分析を行い,関係分類を行う。
エージェントアーキテクチャは,(1)反射的自己評価,(2)階層的タスク分解,(3)新しいマルチエージェント動的サンプル生成機構を含む。
実験により,マルチエージェントの協調が標準のショットプロンプトより一貫して優れていることが実証された。
論文 参考訳（メタデータ） (2025-06-03T04:19:47Z) - Template-Based Financial Report Generation in Agentic and Decomposed Information Retrieval [10.949941726727097]
本稿では, 業界で普及している2つの金融レポート作成手法について検討する。
エージェント情報検索(IR)フレームワークとリフレクションIRアプローチについて検討した。
DecomposedIRはAgenticIRをはるかに上回り、より広範かつ詳細なカバレッジを提供する。
論文 参考訳（メタデータ） (2025-04-19T09:06:13Z) - HM-RAG: Hierarchical Multi-Agent Multimodal Retrieval Augmented Generation [11.53083922927901]
HM-RAGは階層型マルチエージェントマルチモーダルRAGフレームワークである。
構造化、非構造化、グラフベースのデータ間での動的知識合成のための協調知能の先駆者である。
論文 参考訳（メタデータ） (2025-04-13T06:55:33Z) - CART: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
クロスモーダル検索は、異なるモーダルデータの相互作用を通じて、クエリと意味的に関連するインスタンスを検索することを目的としている。
従来のソリューションでは、クエリと候補の間のスコアを明示的に計算するために、シングルトウワーまたはデュアルトウワーのフレームワークを使用している。
粗大なセマンティックモデリングに基づく生成的クロスモーダル検索フレームワーク(CART)を提案する。
論文 参考訳（メタデータ） (2024-06-25T12:47:04Z) - A Review of Modern Recommender Systems Using Generative Models (Gen-RecSys) [57.30228361181045]
この調査は、ジェネレーティブモデル(Gen-RecSys)を用いたレコメンデーションシステムにおける重要な進歩を結びつける。
対話駆動生成モデル、自然言語レコメンデーションのための大規模言語モデル(LLM)とテキストデータの使用、RSにおける画像やビデオの生成と処理のためのマルチモーダルモデルの統合。
我々の研究は、Gen-RecSysの影響と害を評価するために必要なパラダイムを強調し、オープンな課題を特定します。
論文 参考訳（メタデータ） (2024-03-31T06:57:57Z) - Abstractive Query Focused Summarization with Query-Free Resources [60.468323530248945]
本稿では,汎用的な要約リソースのみを利用して抽象的なqfsシステムを構築する問題を考える。
本稿では,要約とクエリのための新しい統一表現からなるMasked ROUGE回帰フレームワークであるMargeを提案する。
最小限の監視から学習したにもかかわらず,遠隔管理環境において最先端の結果が得られた。
論文 参考訳（メタデータ） (2020-12-29T14:39:35Z)
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。