論文の概要: Adapting to Evolving Requirements: Agentic AI for Retail Supply Chain Operations

• arxiv url: http://arxiv.org/abs/2609.03860v1
• Date: Thu, 03 Sep 2026 13:50:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.094301
• Title: Adapting to Evolving Requirements: Agentic AI for Retail Supply Chain Operations
• Title（参考訳）: 要件の進化に適応する:サプライチェーン運用のためのエージェントAI
• Abstract要約: 介入経路の連成選択と許容モジュールレベルの変更として要求駆動適応を定式化する。 本稿では,ドメインエージェントが許容可能な改質インタフェースを公開し,中央プロセッサが境界介入経路を探索する,グラフ制約型エージェントフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.8926523186528845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retail supply chain operations rely on coupled decision modules that must adapt as requirements evolve. LLMs offer a natural-language interface for this task, but existing methods primarily focus on individual optimization models. Extending them to heterogeneous decision pipelines is challenging because a requirement may admit multiple intervention paths with different downstream effects. We formulate requirement-driven adaptation as the joint selection of an intervention route and an admissible module-level change, and propose a graph-constrained agentic framework in which domain agents expose admissible reformulation interfaces and a central processor searches over bounded intervention paths. Candidates are validated and compared using downstream KPIs. In collaboration with a large retail partner, we evaluate 100 warehouse requirements elicited from practitioner interviews, with GPT, Qwen, and DeepSeek as base LLMs. Relative to direct LLM reformulation, our framework improves correctness and end-to-end success across all three models, raising end-to-end success from 72--76% to 79--83%.
• Abstract（参考訳）: 小売サプライチェーンのオペレーションは、要求が進化するにつれて適応しなければならない、結合した決定モジュールに依存します。 LLMはこのタスクに自然言語インタフェースを提供するが、既存の手法は主に個々の最適化モデルに焦点を当てている。 要求が下流の影響の異なる複数の介入パスを許容する可能性があるため、それらを不均一な決定パイプラインに拡張することは難しい。 我々は、介入経路と許容モジュールレベルの変更の結合選択として要求駆動適応を定式化し、ドメインエージェントが許容可能な改質インターフェースを公開し、中央プロセッサが制限された介入経路を探索するグラフ制約されたエージェントフレームワークを提案する。 候補を検証し、下流KPIを用いて比較する。 大手小売企業と共同で,GPT,Qwen,DeepSeekをベースLLMとして,実践者インタビューから得られた100の倉庫要件を評価した。 LLMの直接改定とは対照的に、我々のフレームワークは3つのモデルすべてで正確性とエンドツーエンドの成功を改善し、エンドツーエンドの成功率を72～76%から79～83%に引き上げる。

関連論文リスト

• Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
  VLM(Vision-Language Models)は、医療や金融といったプライバシに敏感な分野において大きな可能性を秘めている。 ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを組み合わせた協調アライメントフレームワークであるMoRを提案する。 MoRは、一般化とクロスクライアント適応性において、フェデレートされたアライメントベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-05-05T07:02:50Z)
• PARM: Pipeline-Adapted Reward Model [60.769414637325326]
  リワードモデル(RM)は、大規模言語モデル(LLM)を人間の好みと整合させることの中心であり、高度な復号化戦略を推進している。 これまでの作業はシングルステップ生成に重点を置いていたが、現実のアプリケーションはますますマルチステージパイプラインを採用するようになっている。 我々は、最適化のためのコード生成を通じてこれを調査し、報酬モデルを定式化とソリューション段階の両方に統合するパイプラインを構築する。
  論文  参考訳（メタデータ） (2026-04-20T14:29:08Z)
• Agent Q-Mix: Selecting the Right Action for LLM Multi-Agent Systems through Reinforcement Learning [68.85408801740228]
  協調型マルチエージェント強化学習問題としてトポロジ選択を再構成する強化学習フレームワークである textbfAgent Q-Mix を提案する。 提案手法は,Qmix値分解を用いて分散化された通信決定を学習し,各エージェントがラウンドワイド通信グラフを共同生成する一連の通信行動から選択する。 エージェントQ-Mixは,エージェント故障に対して優れたトークン効率とロバスト性を示しながら,既存手法と比較して高い平均精度を達成する。
  論文  参考訳（メタデータ） (2026-04-01T00:38:24Z)
• Replacing Multi-Step Assembly of Data Preparation Pipelines with One-Step LLM Pipeline Generation for Table QA [16.758340727602793]
  TQA(Table Question Answering)は、構造化テーブル上の自然言語質問に答えることを目的としている。 大規模言語モデル(LLM)は、最先端のパフォーマンスを提供するマルチステップ方式でテーブル操作パイプラインを生成する演算子中心のソリューションによって、この問題に対する有望な解決策を可能にする。 我々は,TQAのための高品質なデータ準備パイプラインを単一推論ステップで作成するために,新しい改良型強化学習を通じて軽量LLMを訓練する最初のフレームワークであるOperation-R1を提案する。
  論文  参考訳（メタデータ） (2026-02-26T07:49:50Z)
• AceGRPO: Adaptive Curriculum Enhanced Group Relative Policy Optimization for Autonomous Machine Learning Engineering [52.67783579040657]
  AceGRPOは、エージェントの学習フロンティアにおけるタスクを優先順位付けして学習効率を最大化する機械学習システムである。 我々のトレーニングされたAce-30Bモデルは、MLE-Bench-Lite上で100%有効な応募率を実現し、プロプライエタリなフロンティアモデルの性能にアプローチし、より大きなオープンソースベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-02-08T10:55:03Z)
• Type-Compliant Adaptation Cascades: Adapting Programmatic LM Workflows to Data [12.136710894967088]
  本稿では,ワークフロー適応を学習型確率型プログラムとして再放送するフレームワークであるType-Compliant Adaptation Cascadesを紹介する。 経験的に、TACは最先端のプロンプト最適化ベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2025-08-25T17:36:21Z)
• Parallelism Meets Adaptiveness: Scalable Documents Understanding in Multi-Agent LLM Systems [0.8437187555622164]
  大規模言語モデル(LLM)エージェントは、協調的なタスク補完の約束が増していることを示している。 既存のマルチエージェントフレームワークは、静的で固定されたロールと限定的なエージェント間通信に依存していることが多い。 本稿では,3つのコア機構による適応性を実現するための協調フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-22T22:42:51Z)
• Collab: Controlled Decoding using Mixture of Agents for LLM Alignment [90.6117569025754]
  人間のフィードバックからの強化学習は、大規模言語モデルを整合させる効果的な手法として現れてきた。 制御された復号化は、再訓練せずに推論時にモデルを整列するメカニズムを提供する。 本稿では,既存の既成のLCMポリシを活用するエージェントベースのデコーディング戦略の混合を提案する。
  論文  参考訳（メタデータ） (2025-03-27T17:34:25Z)
• Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
  大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。 しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。 人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:49:25Z)
• COS-DPO: Conditioned One-Shot Multi-Objective Fine-Tuning Framework [11.342075103251576]
  条件付きワンショットファインチューニングフレームワーク(COS-DPO)は、好みデータとのLLMアライメントを効率的に行うために開発された。 重み付きCOS-DPO法はパレートフロントをプロファイリングするための効率的なワンショットトレーニングプロセスを楽しむ。 温度-COS-DPO法は、モデル入力に対する温度パラメータを増大させ、後トレーニング制御の柔軟性を高める。
  論文  参考訳（メタデータ） (2024-10-10T19:06:39Z)
• Enhancing Decision-Making for LLM Agents via Step-Level Q-Value Models [22.43652231336764]
  本稿では,タスク関連Q値モデルを用いて行動選択を導出する手法を提案する。 その結果,Q値モデルの性能は大幅に向上した。
  論文  参考訳（メタデータ） (2024-09-14T07:32:49Z)
• Agent Q: Advanced Reasoning and Learning for Autonomous AI Agents [44.34340798542]
  大きな言語モデル(LLM)は、複雑な推論を必要とする自然言語タスクにおいて顕著な能力を示している。 静的データセットに対する従来の教師付き事前トレーニングは、自律的なエージェント機能を実現するには不十分である。 本稿では,モンテカルロ木探索(MCTS)を自己批判機構と組み合わせ,エージェント間相互作用を反復的に微調整するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-13T20:52:13Z)
• Distributed Adaptive Learning Under Communication Constraints [54.22472738551687]
  本研究では,コミュニケーション制約下での運用を目的とした適応型分散学習戦略について検討する。 我々は,ストリーミングデータの連続的な観察から,オンライン最適化問題を解決しなければならないエージェントのネットワークを考える。
  論文  参考訳（メタデータ） (2021-12-03T19:23:48Z)

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。