論文の概要: CoWeaver: A Bi-directional, Learnable and Explainable Matching Engine for Mixed Human-Agent Science Collaboration
- arxiv url: http://arxiv.org/abs/2607.15545v1
- Date: Fri, 17 Jul 2026 01:35:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.729645
- Title: CoWeaver: A Bi-directional, Learnable and Explainable Matching Engine for Mixed Human-Agent Science Collaboration
- Title（参考訳）: CoWeaver: 双方向で学習可能な,説明可能なマッチングエンジン
- Abstract要約: LLMベースのエージェントは、記事の執筆、コーディング、情報検索に長けている。
我々は,科学者をマッチングし,人間エージェントネットワーク内で強力なコラボレーションを形成するための,双方向で学習可能な説明可能なアルゴリズムであるCOWEAVERを提案する。
- 参考スコア（独自算出の注目度）: 29.03592005523777
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: LLM-based agents excel at writing articles, coding and information retrieval. However, they fail to form strong collaborations within the scientific community due to the bidirectional, dynamic nature of the problem and a high demand of decision interpretability. We proposed COWEAVER, a bidirectional, learnable and explainable algorithm to match scientists and form strong collaborations within a human-agent network. COWEAVER matches candidates and requesters through filling capability gaps and filters candidates through a two-stage ranking step. Finally, the model explores newcomers by maintaining uncertainty-aware capability estimates and updating them through requester's feedback. We show that the selection mechanism of combining both exploration (UCB) and greedy of COWEAVER exceeds the greedy-only mechanism - the analytical best solution - on 6 out of the 20 tasks and performed on par with the greedy-only mechanism in terms of selecting the best candidate. We compared COWEAVER baselines in terms of matching quality and efficiency. COWEAVER outperforms baselines on all metrics.
- Abstract（参考訳）: LLMベースのエージェントは、記事の執筆、コーディング、情報検索に長けている。
しかし、この問題の双方向的、動的な性質と高い意思決定可能性の要求により、科学的コミュニティ内で強力なコラボレーションを形成することができなかった。
我々は、科学者をマッチングし、人間エージェントネットワーク内で強力なコラボレーションを形成するための双方向で学習可能で説明可能なアルゴリズムであるCOWEAVERを提案した。
COWEAVERは,2段階のランク付けステップを通じて,能力ギャップを埋めて候補をフィルタリングすることで,候補と要求者にマッチする。
最後に、このモデルは、不確実性を認識した能力の推定を維持し、要求者のフィードバックを通じてそれらを更新することで、新参者を探索する。
本研究では,20タスク中6タスクにおいて,COWEAVERの探索(UCB)とグリード(greedy)を併用する選択機構が,グリード(greedy)のみのメカニズムである解析的最適解を超越し,最適候補の選択という観点からグリード(greedy)のみのメカニズムと同等に実行することを示す。
品質と効率の整合性の観点からCOWEAVERベースラインを比較した。
COWEAVERはすべてのメトリクスでベースラインを上回っます。
関連論文リスト
- BiCAA: Bidirectional Credit Assignment for Search-Augmented Agent [7.0011576165695]
BiCAAは、前向きの可解性向上と後続の成功臨界という2つの相補的なシグナルを融合することによって、双方向のプロセス報酬を構築する。
検索強化されたQAベンチマークの実験では、BiCAAはポリシー最適化を安定化し、冗長な探索動作を低減し、競争性能を達成する。
論文 参考訳（メタデータ） (2026-08-02T15:41:57Z) - CoSearch: Joint Training of Reasoning and Document Ranking via Reinforcement Learning for Agentic Search [51.911048955965136]
CoSearchは多段階推論エージェントと生成ドキュメントランキングモデルを共同でトレーニングするフレームワークである。
この結果から, 推論エージェントと検索システムの協調訓練は, 実現可能であり, 性能も高いことが示唆された。
論文 参考訳（メタデータ） (2026-04-19T17:48:17Z) - COMPOSITE-Stem [32.17652486099204]
COMPOSITE-STEMは、物理学、生物学、化学、数学における70の専門的なタスクのベンチマークである。
我々のベンチマークでは、正確なマッチンググレーティングとクレーターベースのルーリックとアズ・ア・ジャイグリーグレーディングプロトコルを組み合わせる。
トップパフォーマンスモデルは21%を実現し、ComposITE-STEMが現在のエージェントリーチを超える能力をキャプチャすることを示した。
論文 参考訳（メタデータ） (2026-04-10T19:08:50Z) - Search-R2: Enhancing Search-Integrated Reasoning via Actor-Refiner Collaboration [49.9937230730202]
本稿では,新たなアクター・リファイナ・コラボレーション・フレームワークであるSearch-R2を提案する。
提案手法は,生成過程をアクターに分解し,最初の推論軌道を生成する。
本稿では,検索-R2がモデルスケール全体にわたって強力なRAGとRLベースのベースラインを一貫して上回ることを示す。
論文 参考訳（メタデータ） (2026-02-03T15:32:09Z) - SERM: Self-Evolving Relevance Model with Agent-Driven Learning from Massive Query Streams [53.78257200138774]
本稿では,2つの相補的マルチエージェントモジュールからなる自己進化関連モデル(SERM)を提案する。
我々はSERMを大規模産業環境で評価し、毎日数十億のユーザリクエストを処理している。
論文 参考訳（メタデータ） (2026-01-14T14:31:16Z) - SmartSearch: Process Reward-Guided Query Refinement for Search Agents [63.46067892354375]
大言語モデル(LLM)に基づく検索エージェントは、知識集約的な問題に対処するために有望であることが証明されている。
既存の研究は主に、検索エージェントの推論パラダイムの最適化に重点を置いているが、推論中の中間的な検索クエリの品質は見過ごされ続けている。
この問題を緩和する2つの主要なメカニズムの上に構築されたフレームワークであるSmartSearchを紹介します。
論文 参考訳（メタデータ） (2026-01-08T12:39:05Z) - Beyond Monolithic Architectures: A Multi-Agent Search and Knowledge Optimization Framework for Agentic Search [56.78490647843876]
エージェント検索は、大規模言語モデル(LLM)が推論とツールの使用をインターリーブできるようにすることによって、複雑な情報を探すための有望なパラダイムとして登場した。
本稿では,bfM-ASKを提案する。bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK。
論文 参考訳（メタデータ） (2026-01-08T08:13:27Z) - WebLeaper: Empowering Efficiency and Efficacy in WebAgent via Enabling Info-Rich Seeking [60.35109192765302]
情報検索は、自律的な推論と意思決定を可能にする中核的な能力である。
我々は、高カバレッジなISタスクを構築し、効率的なソリューショントラジェクトリを生成するためのフレームワークであるWebLeaperを提案する。
本手法は,強いベースラインに対する有効性と効率性の向上を継続的に達成する。
論文 参考訳（メタデータ） (2025-10-28T17:51:42Z) - Belief-Calibrated Multi-Agent Consensus Seeking for Complex NLP Tasks [45.14284473132228]
コンセンサス安定性を最大化する最適協力者を選択するための理論的枠組みを提供する。
この定理に基づいて,安定したコンセンサスを促進するためのBCCS(Belief-Calibrated Consensus Seeking)フレームワークを提案する。
MATHおよびMMLUベンチマークデータセットの実験結果から、提案したBCCSフレームワークが既存の最高の結果を上回っていることが示された。
論文 参考訳（メタデータ） (2025-10-07T17:53:34Z) - Multi-View Graph Convolution Network for Internal Talent Recommendation Based on Enterprise Emails [5.282071089128208]
社内人材推薦は組織継続にとって重要な戦略である。
本稿では,メールデータから従業員の立場の2つの異なる次元をモデル化する新しい枠組みを提案する。
実験により,提案したゲーティングベース核融合モデルが他の核融合戦略よりも優れていることが示された。
論文 参考訳（メタデータ） (2025-08-28T00:11:24Z) - 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) - The Dichotomous Affiliate Stable Matching Problem: Approval-Based
Matching with Applicant-Employer Relations [27.388757379210034]
本稿では,DASM問題(Dichotomous Affiliate Stable Matching)について紹介する。
その結果は,(1)実世界のマッチングランキングが仮定された評価関数に従うことを示すために人間による研究,(2)そのような解を見つけるための効率的で実装が容易なアルゴリズムを提供することによって,常に安定した解が存在することを証明し,(3)線形プログラミングに基づくアプローチと比較して,アルゴリズムの有効性を実験的に検証する。
論文 参考訳（メタデータ） (2022-02-22T18:56:21Z)
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。