論文の概要: Learning Adaptive Deliberation Control for Reliable Recognition with Multi-Agent Language Models

• arxiv url: http://arxiv.org/abs/2610.17840v1
• Date: Tue, 13 Oct 2026 06:59:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.540298
• Title: Learning Adaptive Deliberation Control for Reliable Recognition with Multi-Agent Language Models
• Title（参考訳）: マルチエージェント言語モデルを用いた信頼度認識のための適応的検討制御
• Abstract要約: 本稿では、提案、挑戦、仲裁、調整のための継続的ポリシーを学習する適応型マルチエージェントコントローラ(ADMA)を提案する。 法的および財政的な推論に基づいて訓練された1つのコントローラは、4つのベンチマークと2つのタスクモデルバージョンに対するポリシー更新なしで転送される。 Qwen3.5が固定され、ADMA-Fullの精度は6.2-14.2ポイント、ADMA-Fixedの2.8-3.0ポイント向上した。
• 参考スコア（独自算出の注目度）: 8.417489705699198
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent deliberation can improve recognition by criticizing and revising candidate answers, but fixed controls cannot respond to changes in disagreement or reasoning quality. We present an adaptive multi-agent controller (ADMA) that learns continuous policies for proposal, challenge, arbitration, and coordination while keeping the task model frozen. Shared trace features describe quality, agreement, and progress, while role-specific features support decentralized control during inference. One controller trained on legal and financial reasoning is transferred without policy updates to four textual and multimodal benchmarks and two successive task-model versions. With Qwen3.5 held fixed, ADMA-Full improves accuracy by 6.2-14.2 percentage points over Direct and by 2.8-3.0 points over ADMA-Fixed. Paired bootstrap ranges for the Full-Fixed comparison are positive on three tasks. Outcome decompositions show that recoveries exceed introduced errors, while process assessment records fewer false-consensus events and more supported correct outcomes. Transfer to Qwen3.6 remains task dependent, which bounds the generality of the learned policy. Median token and latency ratios are 14.3-18.7 and 7.8-16.5 relative to Direct. These results show that adaptive deliberation can improve fixed-model recognition when its task-dependent gains justify the additional computation.
• Abstract（参考訳）: マルチエージェント検討は、候補回答を批判して修正することで認識を改善することができるが、不一致や推論品質の変化には対応できない。 本稿では,タスクモデルを凍結したまま,提案,挑戦,仲裁,調整のための継続的ポリシーを学習する適応型マルチエージェントコントローラ(ADMA)を提案する。 共有トレース機能は品質、合意、進捗を記述し、ロール固有の機能は推論中に分散制御をサポートする。 法的および財政的な推論に基づいて訓練された1つのコントローラは、4つのテキストおよびマルチモーダルベンチマークと2つの連続したタスクモデルバージョンに対するポリシー更新なしで転送される。 Qwen3.5が固定され、ADMA-Fullの精度は6.2-14.2ポイント、ADMA-Fixedの2.8-3.0ポイント向上した。 Full-Fixedの比較のためのペアリングブートストラップ範囲は、3つのタスクで陽性である。 アウトカム分解は、リカバリが導入したエラーを上回ることを示す一方、プロセスアセスメント記録は偽契約イベントが少なく、サポートされた正しい結果がより少ないことを示している。 Qwen3.6への移行はタスク依存のままであり、これは学習されたポリシーの一般性の境界である。 中間トークンとレイテンシ比は14.3-18.7と7.8-16.5である。 これらの結果から,タスク依存ゲインが追加計算を正当化した場合,適応的検討により固定モデル認識が向上することが示唆された。

関連論文リスト

• ReDiS: Reasoning-Diagnosis Self-Evolution for Multimodal Reasoning in Remote Sensing [53.65780048695954]
  我々は、推論探索と候補評価を分離するフレームワークである textbfReasoning-Diagnosis-Self-Evolution (ReDiS) を導入する。 多様な視覚的証拠を探索するtextbfReasoner と、完全な候補セットを共同で評価する textbfDiagnoser である。 LHRS-Bench, MME-RS, CHOICEの実験では、Qwen3.5バックボーンを0.8B, 2B, 4Bスケールで一貫した改善が見られた。
  論文  参考訳（メタデータ） (2026-10-13T13:38:02Z)
• CLEAT: Learning Value-Guided Clarification for Interactive Agents [50.63941775694406]
  本研究では,対話型意図アライメントの課題を明確化を通じて検討する。 トレーニングが不完全な情報を扱う方法を変えると、同じ明確化が多かれ少なかれ有用になる。 CLEATは、共有インタラクション結果から明確化値コントローラとタスクポリシーを協調訓練するフレームワークである。
  論文  参考訳（メタデータ） (2026-10-08T19:22:21Z)
• AdaptEvo: Learning under Imperfect Supervision through Confidence-Adaptive Training with Knowledge Evolution [35.79821635871405]
  AdaptEvoは、不完全な監督の下で学習するためのフレームワークである。 トレーニングモジュールは、信頼性適応GRPOを使用して、結果のバランスと、基準信頼度に応じた報酬の処理を行う。 Evolutionモジュールは、トレーニングケース間で繰り返し発生する障害から再利用可能な決定知識を合成する。
  論文  参考訳（メタデータ） (2026-10-08T06:47:41Z)
• FINSKILLOPS: A Self-Evolving Multi-Agent System for SEC Filing QA [19.781137463581274]
  既存の自己改善手法は、失敗を新しい振る舞いに変えることができる。 我々は、デプロイ後の改善を、制御された行動維持とみなしている。 SECの申請QAのためのマルチエージェントシステムであるFINSKILLOPSで、この見解をインスタンス化する。
  論文  参考訳（メタデータ） (2026-09-17T04:25:17Z)
• TRACE: A Self-Evolving Skill Bank for Consistent, Limit-Aware LLM Agents [41.82249291285459]
  TRACEは、モデルウェイトを変更することなく、スキルベースのエージェントの行動知識を反復的に改善する。 GPT-5.5では、TRACEは一貫性(Pass3)を34.6ポイント改善し、59.9%から94.5%に改善した。 これらの結果から,TRACEは高モデルポテンシャルを安定かつ一貫した性能向上に変換することを示した。
  論文  参考訳（メタデータ） (2026-08-24T04:36:03Z)
• Claw-Eval: Toward Trustworthy Evaluation of Autonomous Agents [66.97968363332465]
  エージェントベンチマークの3つのギャップに対処するエンドツーエンド評価スイートであるClaw-Evalを紹介した。 Claw-Evalは3つのグループにまたがる9つのカテゴリにまたがる300の人間検証タスクで構成されている。 すべてのエージェントアクションは、3つの独立したエビデンスチャネルを通じて記録される。
  論文  参考訳（メタデータ） (2026-04-07T17:43:18Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)

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。