論文の概要: BizSage: A Self-Evolving Multi-Agent Framework for Business Research with Efficient Knowledge Retrieval

• arxiv url: http://arxiv.org/abs/2609.22235v1
• Date: Thu, 03 Sep 2026 05:58:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.798342
• Title: BizSage: A Self-Evolving Multi-Agent Framework for Business Research with Efficient Knowledge Retrieval
• Title（参考訳）: BizSage: 効率的な知識検索機能を備えたビジネスリサーチのための自己進化型マルチエージェントフレームワーク
• Abstract要約: コーパスレベルの細粒度検索と品質駆動型自己進化を組み合わせたマルチエージェントフレームワークである textbfBizSage を提案する。 セクションレベルの知識グラフをマージし、パーソナライズされたPPR(Personalized PageRank)を適用して、意味的に関係のあるセクションを探索する。 7人の専門エージェントがメタレビューの自己進化メカニズムの下で協力し、評価トレースから障害モードを再利用可能な戦略に蒸留する。
• 参考スコア（独自算出の注目度）: 13.554028372744389
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: While multi-agent systems based on large language models (LLMs) have shown promise in automating the progressive workflow of academic research, extending them to economics and business research, where specialized domain knowledge spans neighboring disciplines yet remains difficult to access in a structured way, presents two challenges. First, existing methods mostly retrieve at the paper level, yet the evidence needed for research tasks is often distributed across different sections, creating a granularity mismatch that hinders retrieval coverage and precision. Second, these fields demand strict empirical rigor, yet current systems provide limited mechanisms for learning from evaluation feedback. We present \textbf{BizSage}, a multi-agent framework combining corpus-level fine-grained retrieval with quality-driven self-evolution. We build a Lateral Knowledge Graph (LKG) by merging section-level knowledge graphs and apply Personalized PageRank (PPR) to surface semantically relevant and structurally important sections. Seven specialized agents collaborate under a Meta-Review self-evolution mechanism that distills failure modes from evaluation traces into reusable strategies. On a benchmark spanning four domains and three tasks, BizSage ranks first on the majority of metrics, achieves pairwise win-rates above 60\% against six baselines, and produces zero hallucinated citations. We hope BizSage paves the way for reliable research assistance in economics, business, and the broader social sciences.
• Abstract（参考訳）: 大規模言語モデル(LLM)に基づくマルチエージェントシステムは、学術研究の進歩的なワークフローを自動化し、それを経済学やビジネス研究に拡張する上で有望であることを示している。 まず、既存の手法は、主に紙のレベルで検索するが、研究に必要な証拠は、しばしば異なるセクションに分散し、検索のカバレッジと精度を妨げる粒度のミスマッチを生成する。 第二に、これらの分野は厳密な経験的厳密さを必要とするが、現在のシステムは評価フィードバックから学習するための限られたメカニズムを提供する。 本稿では,コーパスレベルの細粒度検索と品質駆動型自己進化を組み合わせたマルチエージェントフレームワークであるtextbf{BizSage}を提案する。 セクションレベルの知識グラフをマージし、パーソナライズされたPPR(Personalized PageRank)を適用して、意味的に関連があり、構造的に重要なセクションを抽出する。 7人の専門エージェントがメタレビューの自己進化メカニズムの下で協力し、評価トレースから障害モードを再利用可能な戦略に蒸留する。 4つのドメインと3つのタスクにまたがるベンチマークで、BizSageはメトリクスの過半数にランク付けし、6つのベースラインに対して60\%以上のペアワイズ勝利率を獲得し、幻覚的引用をゼロにする。 BizSageは、経済学、ビジネス、そしてより広い社会科学における信頼できる研究支援の道を開くことを願っている。

関連論文リスト

• A Survey of LLM-Driven Penetration Testing: Taxonomy, Co-Evolution, and Open Challenges [39.189948044905364]
  文献は評価ベンチマーク,汎用システム,ドメイン固有のフレームワーク,CTFベースのシステム,防衛指向研究,調査の6つのカテゴリに分類される。 まず、RLVRは、専門家によるデモンストレーションの模倣から報酬駆動による自己改善への能力獲得のシフトを示す。 第二に、CTFプラットフォームはテストベッドの評価からエージェント評価とRLトレーニングの両方のための多目的インフラストラクチャへと進化してきた。
  論文  参考訳（メタデータ） (2026-07-01T13:24:25Z)
• WebResearcher: Unleashing unbounded reasoning capability in Long-Horizon Agents [72.28593628378991]
  WebResearcherは、マルコフ決定プロセスとしてディープリサーチを再構築する反復的なディープリサーチパラダイムである。 WebResearcherは最先端のパフォーマンスを実現し、フロンティアのプロプライエタリシステムを超えています。
  論文  参考訳（メタデータ） (2025-09-16T17:57:17Z)
• Topological Structure Learning Should Be A Research Priority for LLM-Based Multi-Agent Systems [69.95482609893236]
  大規模言語モデルに基づくマルチエージェントシステム(MAS)は、協調的な知性によって複雑なタスクに取り組むための強力なパラダイムとして登場した。 我々は,エージェント間相互作用の構造を明示的にモデル化し,動的に最適化する,エフェトロジーを意識したMASへのパラダイムシフトを求める。
  論文  参考訳（メタデータ） (2025-05-28T15:20:09Z)
• A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
  推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。 大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。 我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
  論文  参考訳（メタデータ） (2025-04-12T01:27:49Z)
• Why Do Multi-Agent LLM Systems Fail? [87.90075668488434]
  MAST-Dataは7つの人気のあるMASフレームワークで収集された1600以上の注釈付きトレースの包括的なデータセットである。 我々はMAST(Multi-Agent System Failure Taxonomy)を初めて構築する。 MASTとMAST-Dataを利用して、モデル(GPT4、Claude 3、Qwen2.5、CodeLlama)とタスク(コーディング、数学、汎用エージェント)の障害パターンを分析します。
  論文  参考訳（メタデータ） (2025-03-17T19:04:38Z)

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。