論文の概要: Beyond Context Windows: Persistent Discovery Context for Data-Centric Agents

• arxiv url: http://arxiv.org/abs/2609.02129v1
• Date: Wed, 02 Sep 2026 05:37:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.095295
• Title: Beyond Context Windows: Persistent Discovery Context for Data-Centric Agents
• Title（参考訳）: コンテキストを超えて: データ中心エージェントのための永続的な発見コンテキスト
• Abstract要約: 本稿では,事前のインテント・トゥ・オブジェクトのマッピングを格納し,それらを再利用して将来的な検索を行う軽量メモリ層であるPersistence Discovery contextを紹介する。 3つの構造化されたデータ環境において、永続的な発見コンテキストはメタデータのみの検索よりも検索品質を継続的に改善する。 語彙的にスパースなドメインでは、メモリのみの検索はメタデータベースの検索よりも優れている。
• 参考スコア（独自算出の注目度）: 0.5414847001704247
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-centric agents repeatedly perform a discovery step before planning or execution: identifying the data objects relevant to a task. Yet successful discovery outcomes are typically discarded rather than reused. We introduce persistent discovery context, a lightweight memory layer that stores prior intent-to-object mappings and reuses them to augment future retrieval. Across three structured data environments, persistent discovery context consistently improves retrieval quality over metadata-only search, remains effective with automatically generated memories, and exposes a reproducible interference failure mode. In lexically sparse domains, memory-only retrieval can even outperform metadata-based retrieval. These findings suggest that discovery outcomes constitute a useful form of reusable context for data-centric agents.
• Abstract（参考訳）: データ中心のエージェントは、計画や実行の前に、繰り返しディスカバリステップを実行します。 しかし、発見の成果は一般的に再利用されるよりも捨てられる。 本稿では,事前のインテント・トゥ・オブジェクトのマッピングを格納し,それらを再利用して将来的な検索を行う軽量メモリ層であるPersistence Discovery contextを紹介する。 3つの構造化されたデータ環境全体で、永続的な発見コンテキストはメタデータのみの検索よりも検索品質を継続的に改善し、自動生成したメモリで有効であり、再現可能な干渉障害モードを公開する。 語彙的に疎いドメインでは、メモリのみの検索はメタデータベースの検索よりも優れている。 これらの結果から,発見結果はデータ中心のエージェントにとって,再利用可能なコンテキストとして有用であることが示唆された。

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)
• VocaDet: Sample-Driven Open-Vocabulary Object Detection and Segmentation via Visual Tokenization and Vector Database Retrieval [4.484170173286332]
  サンプル駆動型オープン語彙オブジェクト検出・セグメンテーションフレームワークであるVocaDetを提案する。 連続した視覚表現を離散的な視覚語彙に変換し、スケーラブルなベクトルデータベースを通して効率的な検索ベース認識を行う。 UA-DETRACデータセットの実験は、VocaDetが従来の検出器トレーニングを使わずに効果的な開語彙検出性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-07-09T14:35:37Z)
• REAL: A Reasoning-Enhanced Graph Framework for Long-Term Memory Management of LLMs [17.526686616588794]
  大きな言語モデル(LLM)は、長い時間をかけてユーザーと対話することがますます期待されている。 LLMは過去のすべてのインタラクションを保持することができず、履歴情報の保存、更新、検索には長期記憶管理が不可欠である。 REALは長期会話記憶を時間的かつ信頼性に配慮したプロパティグラフとして構成する。
  論文  参考訳（メタデータ） (2026-06-09T10:53:10Z)
• Multi-Disciplinary Dataset Discovery from Citation-Verified Literature Contexts [0.0]
  本稿では,学術論文の引用文脈からデータセットを抽出する文献駆動フレームワークを提案する。 提案手法は,大規模引用コンテキスト抽出,スキーマ誘導型データセット認識,証明保存エンティティ解決を併用する。 コード、評価データセット、結果はGitHubで公開しています。
  論文  参考訳（メタデータ） (2026-01-08T16:46:06Z)
• WeDetect: Fast Open-Vocabulary Object Detection as Retrieval [74.39703419628829]
  Open-vocabularyオブジェクト検出は、テキストプロンプトを通じて任意のクラスを検出することを目的としている。 クロスモーダル融合層(ノンフュージョン)を持たない手法は、認識を検索問題として扱うことにより、より高速な推論を提供する。 WeDetectという名前のモデルファミリを開発し、推論効率の高い15ベンチマークで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-12-13T12:40:28Z)
• TARGET: Benchmarking Table Retrieval for Generative Tasks [7.379012456053551]
  TARGETは、GEnerative TasksのTAble Retrievalを評価するためのベンチマークである。 我々は、異なる検索者の検索性能と、下流タスクへの影響を分離して分析する。 密着型埋込型検索器はBM25ベースラインよりもはるかに優れており,非構造化テキストの検索よりも効率が低い。
  論文  参考訳（メタデータ） (2025-05-14T19:39:46Z)
• DiscoveryBench: Towards Data-Driven Discovery with Large Language Models [50.36636396660163]
  我々は、データ駆動探索の多段階プロセスを形式化する最初の包括的なベンチマークであるDiscoveryBenchを紹介する。 我々のベンチマークには、社会学や工学などの6つの分野にまたがる264のタスクが含まれている。 私たちのベンチマークでは、自律的なデータ駆動型発見の課題を説明し、コミュニティが前進するための貴重なリソースとして役立ちます。
  論文  参考訳（メタデータ） (2024-07-01T18:58:22Z)
• Generative Retrieval as Multi-Vector Dense Retrieval [71.75503049199897]
  生成検索は、文書の識別子をエンドツーエンドで生成する。 それまでの研究は、原子識別子による生成的検索が単一ベクトル密度検索と等価であることを示した。 生成的検索と多ベクトル高密度検索は,文書の問合せに対する関連性を測定するのと同じ枠組みを共有していることを示す。
  論文  参考訳（メタデータ） (2024-03-31T13:29:43Z)
• Benchmarking and Analyzing Generative Data for Visual Recognition [95.69499648941196]
  この研究は生成的画像の影響を深く掘り下げ、主に外部データを利用するパラダイムを比較する。 我々は、2548のカテゴリを持つ22のデータセットからなるベンチマークである textbfGenBench を考案し、様々な視覚的認識タスクにまたがる生成データを評価した。 我々の徹底的なベンチマークと分析は、将来の調査における重要な課題を特定しながら、視覚認識における生成データの約束をスポットライトで示している。
  論文  参考訳（メタデータ） (2023-07-25T17:59:59Z)
• The Pursuit of Knowledge: Discovering and Localizing Novel Categories using Dual Memory [85.01439251151203]
  我々は,未ラベルの大規模データセットにおける新しいオブジェクトの発見と位置決定の課題であるオブジェクトカテゴリ発見に取り組む。 2つのメモリモジュールを用いて,オブジェクトカテゴリに関する事前知識を用いて新たなカテゴリを探索する手法を提案する。 検出器の性能をCOCOのミニバルデータセットで示し、そのインザワイルド機能を実証します。
  論文  参考訳（メタデータ） (2021-05-04T17:55:59Z)
• Am I Rare? An Intelligent Summarization Approach for Identifying Hidden Anomalies [0.0]
  本稿では,INSIDENTと呼ばれる隠れ異常を識別するインテリジェント・サマリゼーション手法を提案する。 提案手法は,各クラスタの特徴を局所重み付けすることにより,特徴空間を特徴空間に動的にマッピングするクラスタリングに基づくアルゴリズムである。 また、クラスタサイズに基づく代表者の選択は、集計データ内の元のデータと同じ分布を保持する。
  論文  参考訳（メタデータ） (2020-12-24T23:22:57Z)

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。