論文の概要: Polaris : Multi Agentic System for Conversational Enterprise Analytics
- arxiv url: http://arxiv.org/abs/2608.14246v1
- Date: Fri, 14 Aug 2026 12:26:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.380075
- Title: Polaris : Multi Agentic System for Conversational Enterprise Analytics
- Title（参考訳）: Polaris : 対話型エンタープライズ分析のためのマルチエージェントシステム
- Abstract要約: 我々は、対話型エンタープライズ分析のためのスーパーバイザ主導のマルチエージェントフレームワークであるPolarisを紹介する。
Polarisは、決定論的オーケストレーション層であるDynamic Task Coordination (DTC)を導入した。
理由優先のReAct型エージェントとDTCを結合することにより、Polarisは自然言語クエリをコヒーレントな解析的推論に変換する。
- 参考スコア（独自算出の注目度）: 1.128696874777445
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In today's fast-paced environment, the ability to swiftly access, understand, and act on data is no longer optional; it is essential. Yet most organizations remain data-rich but insight-poor, constrained by the complexity of querying, interpreting, and explaining enterprise-scale information. We present Polaris, a supervisor-led multi-agent framework for conversational enterprise analytics that bridges this gap. Polaris introduces Dynamic Task Coordination (DTC), a decision-theoretic orchestration layer that models agent-task assignment as adaptive bipartite matching, enabling real-time coordination, recovery, and optimization across specialized agents for querying, visualization, and reasoning. By coupling DTC with reason-first, ReAct-style agents, Polaris transforms natural-language queries into coherent analytical workflows that not only retrieve and visualize data but also explain the underlying "why." Evaluation on structured enterprise datasets demonstrates high semantic fidelity and answer relevancy, underscoring the potential of multi-agent orchestration to deliver trustworthy, end-to-end business intelligence at scale.
- Abstract（参考訳）: 今日のペースの速い環境では、データにアクセスし、理解し、行動する能力はもはやオプションではない。
しかし、ほとんどの組織は、クエリ、解釈、エンタープライズ規模の情報の説明の複雑さに制約される、データ豊かだが洞察力に乏しいままです。
このギャップを埋める会話型エンタープライズ分析のための、スーパーバイザー主導のマルチエージェントフレームワークであるPolarisを紹介します。
Polaris氏はDynamic Task Coordination (DTC)を紹介した。これは、エージェントとタスクの割り当てを適応的な二部マッチングとしてモデル化し、クエリ、視覚化、推論のための特別なエージェント間のリアルタイム調整、リカバリ、最適化を可能にする、決定論的オーケストレーション層である。
理由優先のReActスタイルのエージェントとDTCを結合することで、Polarisは自然言語クエリを一貫性のある分析ワークフローに変換する。
構造化されたエンタープライズデータセットの評価は、信頼性の高いエンドツーエンドビジネスインテリジェンスを大規模に提供するマルチエージェントオーケストレーションの可能性について、高いセマンティック忠実度と回答関連性を示している。
関連論文リスト
- DataFactory: Collaborative Multi-Agent Framework for Advanced Table Question Answering [18.66810094244931]
Table Question Answering (TableQA)は、構造化データとの自然言語インタラクションを可能にする。
既存の大規模言語モデル(LLM)アプローチには、限界がある。
本稿では,これらの制約に対処するマルチエージェントフレームワークであるDataFactoryを紹介する。
論文 参考訳（メタデータ） (2026-03-10T03:44:52Z) - AgentLongBench: A Controllable Long Benchmark For Long-Contexts Agents via Environment Rollouts [78.33143446024485]
我々は、横方向思考パズルに基づく環境ロールアウトによるエージェントの評価を行うtextbfAgentLongBenchを紹介した。
このフレームワークは、知識集約的で知識のないシナリオにまたがる厳密な相互作用の軌跡を生成する。
論文 参考訳（メタデータ） (2026-01-28T16:05:44Z) - 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) - SPARK: Search Personalization via Agent-Driven Retrieval and Knowledge-sharing [0.9694940903078657]
SPARK(Search Personalization via Agent-Driven Retrieval and Knowledge-sharing)は、コーディネートされたペルソナベースの大規模言語モデル(LLM)エージェントがタスク固有の検索と創発的なパーソナライゼーションを提供するフレームワークである。
SPARKは役割、専門知識、タスクコンテキスト、ドメインによって定義されたペルソナ空間を形式化し、最も関連性の高い特殊エージェントを活性化するために、受信クエリを動的に解釈するペルソナコーディネータを導入する。
エージェント間のコラボレーションは、共有メモリリポジトリ、反復的議論、リレースタイルの知識伝達など、構造化された通信プロトコルによって促進される。
論文 参考訳（メタデータ） (2025-12-30T06:09:12Z) - Linking Heterogeneous Data with Coordinated Agent Flows for Social Media Analysis [24.70488591952602]
ソーシャルメディアプラットフォームは大量の異種データを生成する。
異種マルチモーダルデータをリンクするエージェントシステムであるSIA(Social Insight Agents)を提案する。
SIAはソーシャルメディアから多様で有意義な洞察を効果的に発見できることを示す。
論文 参考訳（メタデータ） (2025-10-30T06:22:49Z) - CoDA: Agentic Systems for Collaborative Data Visualization [57.270599188947294]
深層研究はデータ分析に革命をもたらしたが、データサイエンティストは依然として手作業による視覚化にかなりの時間を費やしている。
単純なシングルエージェントシステムやマルチエージェントシステムを含む既存のアプローチは、しばしばタスクを単純化する。
本稿では,メタデータ分析,タスク計画,コード生成,自己回帰に特殊なLLMエージェントを利用するマルチエージェントシステムであるCoDAを紹介する。
論文 参考訳（メタデータ） (2025-10-03T17:30:16Z) - AgenticData: An Agentic Data Analytics System for Heterogeneous Data [12.67277567222908]
AgenticDataはエージェントデータ分析システムで、複数のドメインにまたがるデータソースを自律的に分析しながら、自然言語(NL)の質問に反応することができる。
本稿では,関連するデータを発見するためのデータプロファイリングエージェント,フィードバックに基づく反復最適化のためのセマンティッククロスバリデーションエージェント,短期文脈を維持するためのスマートメモリエージェントを利用するマルチエージェント協調戦略を提案する。
論文 参考訳（メタデータ） (2025-08-07T03:33:59Z) - 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) - AnyMAC: Cascading Flexible Multi-Agent Collaboration via Next-Agent Prediction [77.62279834617475]
本稿では,グラフ構造ではなくシーケンシャル構造を用いて,マルチエージェント協調を再考するフレームワークを提案する。
提案手法は,(1)各ステップで最も適したエージェントロールを選択するNext-Agent Predictionと,(2)各エージェントが前ステップから関連する情報にアクセスできるようにするNext-Context Selectionの2つの重要な方向に焦点を当てる。
論文 参考訳（メタデータ） (2025-06-21T18:34:43Z) - Communication Learning in Multi-Agent Systems from Graph Modeling Perspective [62.13508281188895]
本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。
本稿では,各エージェントに対して時間的ゲーティング機構を導入し,ある時間に共有情報を受信するかどうかの動的決定を可能にする。
論文 参考訳（メタデータ） (2024-11-01T05:56:51Z)
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。