論文の概要: Loom: Weaving Diagnostic Strands into Free-Text Consensus via Embedding-Space Reweighting
- arxiv url: http://arxiv.org/abs/2609.02649v1
- Date: Wed, 02 Sep 2026 14:24:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.412596
- Title: Loom: Weaving Diagnostic Strands into Free-Text Consensus via Embedding-Space Reweighting
- Title（参考訳）: ローム:エンベディング空間再加重による自由テキストコンセンサスへの診断ストランドの織り込み
- Authors: Ron Begleiter, Katya Egert Berg, Gilad Saban, Gil Shabat,
- Abstract要約: 実世界の根本原因分析(RCA)のためにデプロイされた生成的コンセンサスフレームワークであるLoomについて紹介する。
ルームがモジュラー$sで出力されるオープンフォーム仮説を連続的な埋め込み空間に投影し、繰り返しセントロイドに基づく再重み付けアルゴリズムで競合する信号を解決する方法を示す。
我々は,エージェント深度と推論遅延のトレードオフ,冗長性検出の負の結果,および決定論的コンセンサスが対象事項専門家の信頼をいかに促進させるかについて,我々の展開経験について議論した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Aggregating noisy, conflicting textual hypotheses into a reliable consensus is a fundamental challenge when deploying NLP systems in real-world industrial settings. While monolithic Large Language Model (LLM) agents offer unbounded expressivity for tasks like Root Cause Analysis (RCA), they suffer from context limits, compounding hallucinations, and prohibitive inference latency. Traditional weak supervision offers statistical rigor but is mathematically restricted to discrete classes. We present Loom, a generative consensus framework deployed for real-world RCA that bridges these paradigms. Loom aggregates open-form hypotheses emitted by modular heuristics (diagnostic templates dynamically populated with episode-specific entities, times, and metrics) by projecting them into a continuous embedding space, and resolves conflicting signals with an iterative centroid-based reweighting algorithm. The resulting consensus weights ground a single lightweight LLM synthesis step. Evaluated on the OpenRCA benchmark, Loom occupies the accuracy--efficiency Pareto frontier: it matches a state-of-the-art autonomous agent on Bank and Market-2 and trails on Market-1 and Telecom, while using a single LLM call per incident on all four datasets ($\sim$26$\times$ faster; $\sim$33$\times$ with an 8B-parameter synthesizer). We discuss our deployment experience, highlighting lessons learned regarding the trade-offs between agentic depth and inference latency, negative results in redundancy detection, and how deterministic consensus fosters trust among Subject Matter Experts~(SMEs).
- Abstract（参考訳）: 現実の産業環境でNLPシステムをデプロイする際の根本的な課題は、ノイズの集約、テキスト仮説の矛盾を信頼できるコンセンサスにまとめることである。
モノリシックなLarge Language Model(LLM)エージェントは、ルート原因分析(RCA)のようなタスクに非バウンドな表現性を提供するが、それらはコンテキスト制限、幻覚の複合、および禁止的な推論遅延に悩まされる。
伝統的な弱い監督は統計的厳密さを提供するが、数学的には離散クラスに限定されている。
我々は、これらのパラダイムをブリッジする実世界のRCA向けにデプロイされた生成的コンセンサスフレームワークであるLoomを紹介します。
ルームは、モジュールヒューリスティック(エピソード固有の実体、時間、メトリクスが動的に蓄積される診断テンプレート)によって放出されるオープンフォーム仮説を連続的な埋め込み空間に投影することで集約し、反復的なセントロイドベースの再重み付けアルゴリズムで競合する信号を解決する。
その結果、コンセンサス重みは単一の軽量LLM合成ステップの基礎となる。
OpenRCAのベンチマークで評価すると、Loomは精度の高いParetoフロンティアを占めており、バンクとマーケット2の最先端の自律エージェントとMarket-1とTelecomのトレイルをマッチさせ、インシデント毎の4つのデータセット(\sim$26$\times$ faster; $\sim$33$\times$ with a 8B-parameter synthesisr)でインシデント毎のLLMコールを使用する。
我々は,エージェント深度と推論遅延のトレードオフ,冗長性検出の負の結果,および決定論的コンセンサスが対象事項の専門家間の信頼をいかに促進するかについて,我々の展開経験について議論した。
関連論文リスト
- Mitigating Anchoring Bias in LLM-Based Agents for Energy-Efficient 6G Autonomous Networks [3.2715455153948256]
本稿では,Large Language Model (LLM) エージェントを用いた6Gアーキテクチャにおけるゼロタッチネットワークスライシングを実現するための,自律型エージェントリソースネゴシエーションフレームワークを提案する。
このようなエージェントは本質的にバイアスのアンカーに悩まされ、初期提案に固執し、ネットワークオーバープロビジョンを引き起こしていることを示す。
当社の認知的脱バイアスは、厳格な交渉パターンを分解し、エージェントにSLA境界を安全に乗り越え、システムの省エネを最大25%向上させるアクティブな探索を強制します。
論文 参考訳（メタデータ） (2026-06-05T08:29:03Z) - ComplexMCP: Evaluation of LLM Agents in Dynamic, Interdependent, and Large-Scale Tool Sandbox [61.862814740220806]
$textbfComplexMCP$は厳格な条件下でエージェントを評価するために設計されたベンチマークである。
Model Context Protocol (MCP)上に構築された$textbfComplexMCP$は300以上の精巧にテストされたツールを提供する。
論文 参考訳（メタデータ） (2026-05-11T16:20:51Z) - Quantifying Prior Dominance in RAG Systems [1.9544213396776273]
我々は、文脈情報ゲインを定量化するために、正規化コンテキスト利用(NCU)メトリクスを導入する。
1.5Bから72Bまでのアーキテクチャを,プロプライエタリな商用APIとともに評価する。
厳密な抽出におけるSLMの構造的優位性と文脈的付着性について検討した。
論文 参考訳（メタデータ） (2026-04-29T15:38:24Z) - Taming Actor-Observer Asymmetry in Agents via Dialectical Alignment [59.536125286960186]
セルフリフレクションと相互監査を可能にするために、専門的な役割を割り当てるマルチエージェントフレームワークがますます採用されている。
アクター・オブザーバ非対称性(Actor-Observer Asymmetric)と呼ばれる認知バイアスを同時に誘発する。
ReTASは、対立する視点を客観的なコンセンサスに合成するためにエージェントを誘導する。
論文 参考訳（メタデータ） (2026-04-21T15:05:58Z) - Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。
テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。
Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文 参考訳（メタデータ） (2026-03-23T14:48:54Z) - Bi-Predictability: A Real-Time Signal for Monitoring LLM Interaction Integrity [0.0]
両予測可能性(P)を用いて,マルチターンインタラクションの整合性を継続的に監視できることが示される。
Information Digital Twin (IDT) は、コンテキスト、応答、次のプロンプトループを二次推論や埋め込みなしでPを推定する軽量アーキテクチャである。
論文 参考訳（メタデータ） (2026-03-18T18:10:37Z) - OMG-Agent: Toward Robust Missing Modality Generation with Decoupled Coarse-to-Fine Agentic Workflows [9.617220633655716]
textbfunderlineOmni-textbfunderlineModality textbfunderlineGeneration Agent (textbfOMG-Agent)について述べる。
論文 参考訳（メタデータ） (2026-02-04T02:25:40Z) - STARec: An Efficient Agent Framework for Recommender Systems via Autonomous Deliberate Reasoning [54.28691219536054]
我々は、自律的な熟考的推論機能を備えたレコメンデータシステムを支援する、ゆっくり考えられた拡張エージェントフレームワークSTARecを紹介する。
我々は,先進的推論モデルと嗜好整合型報酬形成から構造化知識の蒸留を組み合わせた2段階のパラダイムであるアンカー強化訓練を開発する。
MovieLens 1MとAmazon CDsベンチマークの実験では、STARecは最先端のベースラインと比較して、大幅なパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2025-08-26T08:47:58Z) - MARBLE: A Multi-Agent Rule-Based LLM Reasoning Engine for Accident Severity Prediction [1.3102025155414727]
交通安全システムにおいて,事故重大度予測が重要な役割を担っている。
既存の方法はしばしばモノリシックモデルやブラックボックスプロンプトに依存している。
本稿では,多エージェントルールに基づくLLMエンジンを提案し,その重大性予測タスクを,専門的推論エージェントのチーム間で分解する。
論文 参考訳（メタデータ） (2025-07-07T11:27:49Z)
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。