論文の概要: D2-ScaleAgent: Dual-Dimensional Scaling for Long Document Understanding
- arxiv url: http://arxiv.org/abs/2608.16417v1
- Date: Mon, 17 Aug 2026 11:15:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.657541
- Title: D2-ScaleAgent: Dual-Dimensional Scaling for Long Document Understanding
- Title（参考訳）: D2-ScaleAgent: 長期文書理解のための2次元スケーリング
- Abstract要約: D2-ScaleAgentは、検索と推論のための2次元スケーリングパラダイムを導入するエージェントフレームワークである。
D2-ScaleAgentは、MMLongBench-Doc、LongDocURLなど、長く視覚的にリッチなドキュメントベンチマークに有効です。
- 参考スコア（独自算出の注目度）: 28.415704604103112
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-modal retrieval-augmented generation (RAG) is a key technique for visually rich long document understanding. Existing multi-modal RAG methods are progressively advancing toward multi-agent systems: they first retrieve relevant pages based on a query, and then iteratively understand information within those pages. However, these methods typically rely on fixed workflows and lack the ability to dynamically scale computation at test time, often leading to insufficient evidence. To address this, we propose D2-ScaleAgent, an agentic framework that introduces a dual-dimensional scaling paradigm for retrieval and reasoning. The core of D2-ScaleAgent is a Verifier agent-driven dynamic routing loop based on the intrinsic difficulty of the query, centered around a continuously updated evidence bank that serves as the agent's dynamic working memory: when retrieval needs to be expanded, the agent routes outward (retrieval scaling), decomposing the query into attributes and performing parallel page retrieval, followed by adaptive pruning to ensure comprehensive evidence coverage. When fine-grained reasoning is required, the agent routes inward (reasoning scaling), dynamically selecting sub-agents with varying granularity and count to extract evidence from pages. Finally, D2-ScaleAgent achieves logical closure over the evidence chain. Extensive experiments demonstrate that D2-ScaleAgent is effective on long and visually rich document benchmarks like MMLongBench-Doc, LongDocURL, etc.
- Abstract（参考訳）: マルチモーダル検索拡張生成(RAG)は、視覚的にリッチな長い文書理解の鍵となる手法である。
既存のマルチモーダルRAGメソッドは、クエリに基づいて関連ページを検索し、そのページ内の情報を反復的に理解する。
しかし、これらの手法は通常、固定されたワークフローに依存しており、テスト時に動的に計算をスケールする能力に欠けており、しばしば不十分な証拠に繋がる。
そこで我々はD2-ScaleAgentを提案する。D2-ScaleAgentは、検索と推論のための2次元スケーリングパラダイムを導入するエージェントフレームワークである。
D2-ScaleAgentの中核は、クエリの本質的な難易度に基づく検証エージェント駆動の動的ルーティングループであり、エージェントの動的ワーキングメモリとして機能する継続的に更新されたエビデンスバンクを中心にしている。
きめ細かい推論が必要な場合、エージェントは内向き(推論スケーリング)にルートし、粒度の異なるサブエージェントを動的に選択し、ページから証拠を抽出する。
最後に、D2-ScaleAgentはエビデンス連鎖上の論理的閉包を達成する。
大規模な実験によると、D2-ScaleAgentはMMLongBench-DocやLongDocURLといった、長く視覚的にリッチなドキュメントベンチマークに有効である。
関連論文リスト
- SearchOS-V1: Towards Robust Open-Domain Information-Seeking Agent Collaboration [77.28003194268977]
SearchOSは、脆弱で暗黙的な検索進捗を明示的で永続的で共有状態に変換するシステムレベルのマルチエージェントフレームワークである。
SOCM上に構築されたSearchOSは、サブエージェントの実行を重複させるパイプライン並列スケジューリングメカニズムを適用している。
SearchOSは評価されたシングルエージェントとマルチエージェントのベースラインの中で、すべてのメトリクスをリードする。
論文 参考訳（メタデータ） (2026-07-16T17:51:23Z) - WebSwarm: Recursive Multi-Agent Orchestration for Deep-and-Wide Web Search [104.75798763084424]
大規模言語モデル(LLM)ベースのWeb検索エージェントは、情報検索を複雑で広範囲な検索と研究指向のタスクに変換する。
本稿では,タスクの分解と拡張を共同で構築するプログレッシブ・プログレッシブ・プログレッシブ・デリゲート・フレームワークであるWebSwarmを提案する。
WebSwarmは、ディープ・ワイド・インターリーブされたディープ・アンド・ワイド・タスクにおいて、シングルエージェントとマルチエージェントのベースラインを一貫して上回ります。
論文 参考訳（メタデータ） (2026-07-09T16:28:49Z) - Hierarchical Evidence-Driven Reasoning for Long Document Understanding [95.51688464037096]
閉領域文書理解のための階層的・エビデンス駆動型マルチモーダルRAGフレームワークであるHIEVI-RAGを紹介する。
我々のフレームワークは、既存のオープンソースベースラインを著しく上回り、最強の報告ベースラインを平均8.05%の精度で上回ります。
論文 参考訳（メタデータ） (2026-07-06T03:08:28Z) - Hybrid Retriever Evolution for Multimodal Document Reasoning Agents [7.9215284090523355]
本稿では,メタエージェントが自律的にツール利用タスクエージェントの協調方法を検出する,障害駆動型進化フレームワークを提案する。
MMLongBench-DocとDocBenchでは、進化したエージェントは、未進化のベースライン上で最大+19.6ポイントのゲインを達成する。
論文 参考訳（メタデータ） (2026-06-28T23:36:34Z) - Reason Before You Retrieve: Agentic Planning for Multi-modal RAG [37.890744636035144]
本稿では,検索対象と検索対象の両方を明示的にモデル化することで,検索前の理由付けを行うマルチモーダルエージェント検索フレームワークMM-R2を提案する。
MM-R2は、まず、画像検索ペアからインテントグラウンドされた検索状態を構築し、情報要求、グラウンドドレファレント、検索制約をキャプチャする。
その後、構造化されたKnowledgeMap上で検索を行い、エージェントが関連する検索ユニットを選択して、内部にグラウンドドクエリを発行する。
Infoseek と Encyclopedic VQA データセットの実験により、MM-R2 は解答精度でかなり高いベースラインを上回り、より解釈可能で検証可能な検索軌道を得ることが示された。
論文 参考訳（メタデータ） (2026-06-24T02:40:49Z) - VLD-RAG: Agentic Vision-Language Retrieval-Augmented Generation for Long, Visually-Rich Multi-Page Documents [0.0]
VLD-RAGは多ページのエビデンス検索のためのエージェントマルチモーダルRAGフレームワークである。
VLD-RAGはページ保存マルチモーダルインデックスを構築し、解析されたテキスト、ページレベルのメタデータ、密度の高いビジュアル表現を格納する。
検証対象エージェントワークフローは、検索エージェント、アンサーエージェント、バリデーションエージェントをコーディネートし、エビデンスカバレッジを広げ、欠落した引用を検出し、検索要求を精査する。
論文 参考訳（メタデータ） (2026-05-21T13:33:38Z) - Web2BigTable: A Bi-Level Multi-Agent LLM System for Internet-Scale Information Search and Extraction [38.55682016152131]
textbfWeb2BigTableはWebツーテーブル検索のためのマルチエージェントフレームワークである。
Web2BigTableは、WideSearchの新たな最先端をセットし、Avg@4 Success Rate of textbf38.50$7.5times$ second at 5.10、Row F1 of textbf63.53 (+25.03 over second best)、Item F1 of textbf80.12 (+14.42 over second best)に到達した。
また、XBench の深度指向探索にも一般化する。
論文 参考訳（メタデータ） (2026-04-29T21:43:16Z) - Paper Circle: An Open-source Multi-agent Research Discovery and Analysis Framework [82.66443886385125]
ペーパーサークル(Paper Circle)は、学術文献の発見、評価、整理、理解に必要な労力を減らすために設計された発見・分析システムである。
1)複数のソースからのオフラインおよびオンライン検索を統合するディスカバリパイプライン,多エージェントスコアリング,多様性対応ランキング,構造化アウトプット,2)個々の論文を概念,メソッド,数値などの型付きノードで構造化された知識グラフに変換する分析パイプライン,の2つの補完パイプラインで構成されている。
論文 参考訳（メタデータ） (2026-04-07T17:59:58Z) - A-RAG: Scaling Agentic Retrieval-Augmented Generation via Hierarchical Retrieval Interfaces [34.59674580962045]
本稿では,階層型検索インタフェースを直接モデルに公開するエージェントRAGフレームワークであるA-RAGを紹介する。
A-RAGはキーワード検索、セマンティック検索、チャンク読み取りという3つの検索ツールを提供する。
複数のオープンドメインQAベンチマークの実験は、A-RAGが既存のアプローチを同等または低いトークンで一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2026-02-03T12:07:21Z) - T^2Agent A Tool-augmented Multimodal Misinformation Detection Agent with Monte Carlo Tree Search [51.91311158085973]
多重モーダル誤報は、しばしば混合偽造源から発生し、動的推論と適応的検証を必要とする。
我々はモンテカルロ木探索を用いたツールキットを組み込んだ新しい誤情報検出剤T2Agentを提案する。
大規模な実験により、T2Agentは、混在するマルチモーダル誤報ベンチマークにおいて、既存のベースラインを一貫して上回っていることが示されている。
論文 参考訳（メタデータ） (2025-05-26T09:50:55Z) - Retrieval-Augmented Reinforcement Learning [63.32076191982944]
過去の経験のデータセットを最適な行動にマップするために、ネットワークをトレーニングします。
検索プロセスは、現在のコンテキストで有用なデータセットから情報を取得するために訓練される。
検索強化R2D2はベースラインR2D2エージェントよりもかなり高速に学習し,より高いスコアを得ることを示す。
論文 参考訳（メタデータ） (2022-02-17T02:44:05Z)
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。