論文の概要: BaRe-Mem: Bayesian Reliability Memory for Robust and Adaptive Agent Consultation

• arxiv url: http://arxiv.org/abs/2609.35551v1
• Date: Mon, 28 Sep 2026 16:25:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 20:52:22.821504
• Title: BaRe-Mem: Bayesian Reliability Memory for Robust and Adaptive Agent Consultation
• Title（参考訳）: BaRe-Mem:ロバストおよび適応エージェントコンサルテーションのためのベイズ信頼性メモリ
• Abstract要約: BaRe-Memはマルチエージェントコンサルティングのためのオンライン信頼性メモリである。 中央モデルの内的信念表現に基づいて、アドバイザーの信頼性を推定する。 BaRe-Memは、議論や多数決よりも、顧問情報を誤解させるほど堅牢だ。
• 参考スコア（独自算出の注目度）: 34.07100984828485
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In multi-agent systems, reliable consultation is challenging because advisor capabilities vary across tasks, and misleading information can make consultation worse than autonomous reasoning. We introduce BaRe-Mem, an online Bayesian reliability memory for multi-agent consultation. It estimates advisor reliability based on the central model's internal belief representations and updates these estimates from historical interactions. These estimates modulate the influence of advisor responses and guide the choice between consultation and autonomous reasoning. Across nine benchmarks and six central models, BaRe-Mem is more robust to misleading advisor information than debate and majority voting. On the more challenging tasks, it remains above autonomous reasoning across all tested misleading levels. Moreover, we extend the BaRe-Mem mechanism to worker allocation in agent teams. On the MuSiQue benchmark, BaRe-Mem improves task completion over routing by historical success counts and identifies capable workers earlier.
• Abstract（参考訳）: マルチエージェントシステムでは、アドバイザの能力はタスクによって異なり、誤解を招く情報によって、自律的な推論よりもコンサルティングが悪化する可能性があるため、信頼性の高いコンサルティングが困難である。 マルチエージェントコンサルテーションのためのオンラインベイズ信頼性メモリBaRe-Memを紹介する。 中央モデルの内的信念表現に基づいてアドバイザーの信頼性を推定し、これらの見積もりを歴史的相互作用から更新する。 これらの見積もりは、アドバイザーの反応の影響を変調し、コンサルティングと自律推論の選択を導く。 9つのベンチマークと6つの中央モデルの中で、BaRe-Memは議論や多数決よりも、アドバイザ情報を誤解させるほど堅牢だ。 より困難なタスクでは、テスト対象の誤解を招くすべてのレベルにわたって、自律的な推論をはるかに上回っています。 さらに,エージェントチームの作業員割り当てにBaRe-Mem機構を拡張した。 MuSiQueベンチマークでは、BaRe-Memは過去の成功数によるルーティングよりもタスク補完を改善し、より早く有能な労働者を特定する。

関連論文リスト

• Adaptive Memory and Reflection Multi-Agent System for Medical Question Answering [4.619273384362027]
  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。
  論文  参考訳（メタデータ） (2026-08-19T15:24:18Z)
• Long-Horizon Embodied Decision-Making via Multimodal Memory Compression [71.16335993005139]
  DunphyBenchは、長期的な人間中心の意思決定のエージェントを評価するための新しいベンチマークだ。 MeMentoは、ユーザの好みに基づいて決定関連情報を選択的に圧縮する、優先条件付きマルチモーダルメモリ圧縮機である。 MeMentoはVLM駆動エージェントの精度を7.18%向上させ、メモリ使用率を最強のベースラインに比べて85.38%削減する。
  論文  参考訳（メタデータ） (2026-08-02T19:29:48Z)
• RECON: Benchmarking Agent Memory for Compositional Reasoning over Long Contexts [0.0]
  RECONは、長い文脈における構成的推論を評価するためのベンチマークである。 3つのドメイン(刑事、医療、財務)に24のケースファイルがあり、それぞれ50万から100万のトークンがある。 マルチホップエビデンスチェーンの再構築、カスケード無効の伝播、ソースコンフリクトの解決、反ファクト推論、時間的制約を満たすこと、時間的事実検索である。
  論文  参考訳（メタデータ） (2026-07-18T09:11:22Z)
• The Confident Liar: Diagnosing Multi-Agent Debate with Log-Probabilities and LLM-as-Judge [2.1987782243719898]
  本稿では,マルチエージェント討論における3つの信号の関係について検討する。 内部信頼信号が外部評価された推論品質を予測するかどうかを検討する。 信頼性は,コンストラクタとオーディタの約2倍の精度で評価された推論品質と一致していることがわかった。
  論文  参考訳（メタデータ） (2026-06-09T01:33:15Z)
• MINTEval: Evaluating Memory under Multi-Target Interference in Long-Horizon Agent Systems [69.06764269022925]
  本研究では,現在の記憶増強剤が現実的,干渉重大,長期的設定において果たす役割について検討する。 MINTEvalは、頻繁に更新される情報を備えた、長く高度に相互接続されたコンテキストを特徴とするベンチマークである。 MINTEvalは128.8kのトークンを平均で1インスタンスあたり1.8Mのトークンに拡張し、15.6kの質問応答ペアを持つ。
  論文  参考訳（メタデータ） (2026-05-18T15:43:35Z)
• Memory Centric Power Allocation for Multi-Agent Embodied Question Answering [49.3249799261475]
  マルチエージェントの具体的質問応答(MA-EQA)は、ロボットチームに対して、長い視野で見たものを問うことを目的としている。 このパラダイムシフトに対処するために、生成逆検(GAE)に基づく品質記憶モデル(QoM)を提案する。 次に,通信資源制約下でQoM関数を最大化するメモリ中心電力割り当て(MCPA)を提案する。
  論文  参考訳（メタデータ） (2026-04-20T05:08:53Z)
• ReConcile: Round-Table Conference Improves Reasoning via Consensus among Diverse LLMs [61.07130026622437]
  大規模言語モデル(LLM)は、まだ自然言語推論タスクに苦戦している。 心の社会に動機づけられて、我々はReConcileを提案する。 LLMエージェント間のラウンドテーブル会議として設計されたマルチモデルマルチエージェントフレームワーク。
  論文  参考訳（メタデータ） (2023-09-22T17:12:45Z)
• MADDM: Multi-Advisor Dynamic Binary Decision-Making by Maximizing the Utility [8.212621730577897]
  逐次二元決定設定において,助言者の集合を最適に選択するための新しい戦略を提案する。 我々は、根拠となる真実にアクセスできず、助言者の信頼性に関する事前の知識もないと仮定する。
  論文  参考訳（メタデータ） (2023-05-15T14:13:47Z)

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。