論文の概要: An Actionable Diagnosis of Multilingual, Multi-Agent Planning Failures

• arxiv url: http://arxiv.org/abs/2608.03735v1
• Date: Tue, 04 Aug 2026 14:29:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.241449
• Title: An Actionable Diagnosis of Multilingual, Multi-Agent Planning Failures
• Title（参考訳）: 多言語・多言語計画失敗の実用的な診断
• Abstract要約: マルチエージェントシステムにおけるプランナを,要求対アクションインタフェースとして検討する。 我々は、現実のタスク実行の失敗から、計画上の失敗の実行可能な分類法を導出する。
• 参考スコア（独自算出の注目度）: 13.13433211193977
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multilingual multi-agent systems exhibit substantial degradation beyond English, yet prior work rarely identifies how task-critical information is lost when user requests are converted into executable plans. We study the planner in a multi-agent system as the request-to-action interface and derive an actionable taxonomy of planning-grounding failures from failed real-world task executions. LLM-based analysis shows that these failures constitute an increasing share of unsuccessful executions as language-resource availability declines, with the strongest effects in low-resource languages. To test whether the taxonomy supports mitigation, we introduce TART, Taxonomy-Guided Actionable Representation, that makes the taxonomy's key aspects explicit to the planner and downstream sub-agents. Across multiple languages, three LLM backbones, two datasets, and two agentic configurations, TART consistently improves performance. On multilingual GAIA, it raises a state-of-the-art system's accuracy by 5.6 percentage points averaged across eleven languages spanning low- to high-resource settings.
• Abstract（参考訳）: マルチリンガル・マルチエージェント・システムは、英語以外の大幅な劣化を示すが、ユーザ要求が実行可能なプランに変換されると、タスククリティカルな情報がいかに失われるかを事前に確認することは滅多にない。 我々は,多エージェントシステムにおけるプランナーを要求・行動インターフェースとして検討し,実世界のタスク実行失敗から計画・実行失敗の行動可能な分類法を導出する。 LLMに基づく分析によると、これらの失敗は、低リソース言語において最も強い影響を持つ、言語リソースの可用性が低下するにつれて、実行失敗のシェアが増大することを示している。 分類学が緩和を支援するかどうかを検証するため,分類学指導型行動表現であるTARTを導入し,分類学の重要な側面をプランナーおよび下流サブエージェントに明示する。 複数の言語にまたがる3つのLLMバックボーン、2つのデータセット、2つのエージェント構成、TARTは一貫してパフォーマンスを改善している。 多言語GAIAでは、最先端システムの精度を、低レベルから高レベルの設定にまたがる11言語で平均5.6ポイント向上させる。

関連論文リスト

• On the Robustness of Multilingual Text Embedding Rankings Across Learning Tasks, Languages, and Benchmark Datasets [3.9407886544063384]
  大規模多言語テキスト埋め込みモデルは、研究と産業において重要な役割を担っている。 モデル優越性に関する発見は、しばしばデータセットの合成とパフォーマンスアグリゲーションメソッドの暗黙の選択に依存する。 MTEBにおける多言語モデル性能のメタスタディを提案する。
  論文  参考訳（メタデータ） (2026-05-29T10:50:22Z)
• DaPT: A Dual-Path Framework for Multilingual Multi-hop Question Answering [41.923993964253405]
  本稿では,多言語コーパスとクエリをまたいで検索する新しいフレームワークを提案する。 DaPTは、ソース言語クエリと英訳クエリの両方に並列にサブクエリグラフを生成する。 DaPTは、ベースラインよりも正確で簡潔な答えを得る。
  論文  参考訳（メタデータ） (2026-03-19T16:23:04Z)
• How and Where to Translate? The Impact of Translation Strategies in Cross-lingual LLM Prompting [15.388822834013599]
  多言語検索強化世代(RAG)ベースのシステムでは、知識ベース(KB)は高リソース言語(例えば英語)から低リソース言語(英語版)にしばしば共有される。 2つの一般的なプラクティスは、単言語的なプロンプトを生成するための事前翻訳と、直接推論のための言語間プロンプトである。 最適化されたプロンプト戦略は、言語間の知識共有を大幅に改善し、下流分類タスクの性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-07-21T19:37:15Z)
• Multilingual Retrieval-Augmented Generation for Knowledge-Intensive Task [89.45111250272559]
  Retrieval-augmented Generation (RAG) は現代のNLPの基盤となっている。 本稿では,複数言語にまたがるRAGの有効性について,複数言語にまたがるオープンドメイン問合せに対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-04T17:35:43Z)
• LUSIFER: Language Universal Space Integration for Enhanced Multilingual Embeddings with Large Language Models [89.13128402847943]
  LUSIFERは,LLMをベースとした多言語タスクの埋め込みモデルに,多言語監視を必要とせずに適用可能なゼロショット方式である。 LUSIFERのアーキテクチャは多言語エンコーダを組み、言語ユニバーサル学習者として機能し、埋め込み固有のタスクに最適化されたLLMベースの埋め込みモデルと組み合わせている。 5つの主要な埋め込みタスク、123の多様なデータセット、14言語にわたるカバレッジを含む新しいベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-01-01T15:43:07Z)
• LinguaLIFT: An Effective Two-stage Instruction Tuning Framework for Low-Resource Language Reasoning [28.288949710191158]
  大規模言語モデル(LLM)は、多言語事前学習コーパスと命令微調整データによって駆動される、印象的な多言語推論能力を示す。 事前学習コーパスにおける言語不均衡に起因する高リソース言語推論タスクと低リソース言語推論タスクの間には,パフォーマンスギャップが存在する。 LinguaLIFTは低リソース言語推論を進めるための2段階の命令チューニングフレームワークである。
  論文  参考訳（メタデータ） (2024-12-17T03:03:17Z)
• Think Carefully and Check Again! Meta-Generation Unlocking LLMs for Low-Resource Cross-Lingual Summarization [108.6908427615402]
  CLS(Cross-lingual summarization)は、異なるターゲット言語でソーステキストの要約を生成することを目的としている。 現在、インストラクションチューニング付き大規模言語モデル (LLM) は様々な英語タスクで優れている。 近年の研究では、LCSタスクにおけるLCMの性能は、わずかな設定でも満足できないことが示されている。
  論文  参考訳（メタデータ） (2024-10-26T00:39:44Z)
• Transfer-Free Data-Efficient Multilingual Slot Labeling [82.02076369811402]
  スロットラベリングはタスク指向対話(ToD)システムの中核的なコンポーネントである。 固有データ不足の問題を緩和するために、多言語ToDに関する現在の研究は、十分な英語の注釈付きデータが常に利用可能であると仮定している。 標準的な多言語文エンコーダを効果的なスロットラベリングに変換する2段階のスロットラベリング手法(TWOSL)を提案する。
  論文  参考訳（メタデータ） (2023-05-22T22:47:32Z)
• Bridging Cross-Lingual Gaps During Leveraging the Multilingual Sequence-to-Sequence Pretraining for Text Generation [80.16548523140025]
  プレトレインとファインチューンの間のギャップを埋めるために、コードスイッチングの復元タスクを追加して、バニラプレトレイン-ファインチューンパイプラインを拡張します。 提案手法は,言語間文表現距離を狭くし,簡単な計算コストで低周波語翻訳を改善する。
  論文  参考訳（メタデータ） (2022-04-16T16:08:38Z)
• Graph Neural Network Enhanced Language Models for Efficient Multilingual Text Classification [8.147244878591014]
  本稿では,モノ,クロス,マルチ言語シナリオ下で動作可能な多言語災害関連テキスト分類システムを提案する。 我々のエンドツーエンドのトレーニング可能なフレームワークは、コーパスに代えてグラフニューラルネットワークの汎用性を組み合わせたものです。 我々は、モノ、クロス、マルチ言語分類シナリオにおいて、合計9つの英語、非英語、モノリンガルデータセットについて、我々のフレームワークを評価した。
  論文  参考訳（メタデータ） (2022-03-06T09:05:42Z)
• Learning to Scale Multilingual Representations for Vision-Language Tasks [51.27839182889422]
  SMALRの有効性は、これまでビジョン言語タスクでサポートされた2倍以上の10の多言語で実証されている。 単語の埋め込み手法と比較して,訓練パラメータの1/5以下で,複数言語による画像文検索と先行作業の3～4%の性能評価を行った。
  論文  参考訳（メタデータ） (2020-04-09T01:03:44Z)

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。