論文の概要: Adaptive Memory and Reflection Multi-Agent System for Medical Question Answering

• arxiv url: http://arxiv.org/abs/2608.19029v1
• Date: Wed, 19 Aug 2026 15:24:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.441438
• Title: Adaptive Memory and Reflection Multi-Agent System for Medical Question Answering
• Title（参考訳）: 医療質問応答のための適応記憶・反射多重エージェントシステム
• Abstract要約: この研究は適応型メモリ・アンド・リフレクション(AMR)エージェントシステムを導入している。 専門エージェントは、専用のメモリとリフレクションベースのフィードバックを使用して、関連する事前ケースを検索し、その後の推論を改善する。 MedQAとMedMCQAの評価は,いくつかのベースラインと比較して高い性能を示した。
• 参考スコア（独自算出の注目度）: 4.619273384362027
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and responsible medical question answering (QA) is important in healthcare, where complex cases require factual knowledge and nuanced reasoning. Existing medical QA systems, typically based on single-agent architectures and static retrieval, often lack adaptability, persistent memory, and structured decision-making. This work introduces an adaptive memory and reflection (AMR) agentic system, a multi-agent framework in which specialized agents use dedicated memory and reflection-based feedback to retrieve relevant prior cases and improve subsequent reasoning. Complexity assessment routes questions through solo, collaborative, or escalated workflows, while consensus and ethical overseer modules support reasoning consolidation and output review. Evaluation on MedQA and MedMCQA demonstrates strong performance compared with several baselines. Ablation studies show that combining agent-specific memory, reflection, and external retrieval yields the strongest performance. These findings highlight the potential of structured memory and feedback for developing more trustworthy medical agents. The source code is publicly available at https://github.com/mm-air/AMR-Agent.
• Abstract（参考訳）: 正確かつ責任ある医療質問応答(QA)は、複雑なケースでは現実的な知識と曖昧な推論を必要とする医療において重要である。 既存の医療用QAシステムは、通常は単一エージェントアーキテクチャと静的検索に基づいており、適応性、永続メモリ、構造化された意思決定を欠いている。 適応型メモリ・リフレクションエージェントシステム(AMR)は、特殊エージェントが専用メモリとリフレクションベースのフィードバックを使用して関連する先行事例を検索し、その後の推論を改善するマルチエージェントフレームワークである。 複雑度評価は、ソロ、コラボレーティブ、エスカレートされたワークフローを通じて質問をルーティングし、コンセンサスと倫理的監督モジュールは、統合とアウトプットレビューの推論をサポートする。 MedQAとMedMCQAの評価は,いくつかのベースラインと比較して高い性能を示した。 アブレーション研究は、エージェント固有のメモリ、リフレクション、および外部検索を組み合わせることで、最も優れた性能が得られることを示している。 これらの知見は、より信頼できる医療エージェントを開発するための構造化記憶とフィードバックの可能性を強調している。 ソースコードはhttps://github.com/mm-air/AMR-Agent.comで公開されている。

関連論文リスト

• What Makes Agent Memory Useful for Reliable Unanswerable Question Handling? [51.58639607746329]
  メモリはエージェントシステムで広く使われているが、信頼性の高いUAQ処理におけるその役割は未だ不明である。 本稿では,統一エージェントRAGフレームワークによるUAQ処理のためのエージェントメモリの体系的研究を行う。 メモリはいくつかの設定でUAQ性能を改善することができるが、そのような利得は普遍的ではなく選択的であり、データセットシフト時にも脆弱である。
  論文  参考訳（メタデータ） (2026-08-28T05:00:28Z)
• MARDoc: A Memory-Aware Refinement Agent Framework for Multimodal Long Document QA [23.25080415779712]
  本稿では,長期文書QAを3つの特殊エージェントに分解するメモリ・アウェア・リファインメント・エージェント・フレームワークを提案する。 イテレーションを通じてエージェントは、完全に蓄積されたインタラクション履歴ではなく、動的に更新された構造化メモリに依存する。 MMLongBench-DocとDocBenchの実験により、MARDocは、同じバックボーンベースラインよりも優れた結果が得られることが示された。
  論文  参考訳（メタデータ） (2026-06-04T06:23:01Z)
• AffectAgent: Collaborative Multi-Agent Reasoning for Retrieval-Augmented Multimodal Emotion Recognition [62.16431420189863]
  LLMに基づくマルチモーダル感情認識は静的なパラメトリックメモリに依存しており、ニュアンス化された感情状態の解釈時にしばしば幻覚を与える。 本稿では,感情指向型マルチエージェント検索拡張生成フレームワークであるAffectAgentを紹介する。 AffectAgentは3つの共同最適化されたエージェント、すなわちクエリプランナー、エビデンスフィルタ、感情生成器から構成される。
  論文  参考訳（メタデータ） (2026-04-14T13:49:19Z)
• AMA-Bench: Evaluating Long-Horizon Memory for Agentic Applications [34.74409546347656]
  大規模言語モデル(LLM)は、ますます複雑なアプリケーションにおいて自律的なエージェントとしてデプロイされる。 既存のベンチマークは主に対話中心のヒューマンエージェントインタラクションに焦点を当てている。 因果グラフとツール拡張検索を備えたメモリシステムであるAMA-Agentを提案する。
  論文  参考訳（メタデータ） (2026-02-26T08:59:31Z)
• From Conflict to Consensus: Boosting Medical Reasoning via Multi-Round Agentic RAG [65.0203623486525]
  大規模言語モデル(LLM)は、医学的質問応答において高い推論能力を示す。 幻覚や時代遅れの知識を生み出す傾向は、医療分野において重大なリスクをもたらす。 既存の手法はノイズの多いトークンレベルの信号に依存しており、複雑な推論に必要なマルチラウンドの改良は欠如している。
  論文  参考訳（メタデータ） (2026-02-06T08:25:30Z)
• AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
  複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。 AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
  論文  参考訳（メタデータ） (2026-01-28T08:09:49Z)
• ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering [54.72902502486611]
  ReAG(Reasoning-Augmented Multimodal RAG)は、粗い部分ときめ細かい部分の検索と、無関係な通路をフィルタリングする批評家モデルを組み合わせた手法である。 ReAGは従来の手法よりも優れており、解答精度が向上し、検索された証拠に根ざした解釈可能な推論を提供する。
  論文  参考訳（メタデータ） (2025-11-27T19:01:02Z)
• MedLA: A Logic-Driven Multi-Agent Framework for Complex Medical Reasoning with Large Language Models [26.152027922514957]
  textscMedLAは、大規模な言語モデル上に構築されたロジック駆動のマルチエージェントフレームワークである。 エージェントはグラフ誘導の議論を行い、論理木を比較して反復的に洗練する。 textscMedLAは静的ロールベースシステムと単一エージェントベースラインの両方を一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2025-09-28T08:06:39Z)
• Talk Before You Retrieve: Agent-Led Discussions for Better RAG in Medical QA [17.823588070044217]
  本稿では,医療質問応答システムを強化するためのプラグアンドプレイモジュールであるDisdisuss-RAGを提案する。 本手法では,多ターンブレインストーミングをエミュレートする医療専門家のチームを編成し,検索内容の関連性を向上する要約エージェントを提案する。 4つのベンチマーク医学QAデータセットによる実験結果から、DEC-RAGはMedRAGより一貫して優れていた。
  論文  参考訳（メタデータ） (2025-04-30T01:37:44Z)
• Comprehensive and Practical Evaluation of Retrieval-Augmented Generation Systems for Medical Question Answering [70.44269982045415]
  Retrieval-augmented Generation (RAG) は,大規模言語モデル (LLM) の性能向上のための有望なアプローチとして登場した。 医療用QAデータセットに様々な補助的要素を提供するMedRGB(MedRGB)を導入する。 実験結果から,検索した文書のノイズや誤情報の処理能力に限界があることが判明した。
  論文  参考訳（メタデータ） (2024-11-14T06:19:18Z)

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。