論文の概要: Learning Complementary Agent Groups via Task Hypergraphs for Next-POI Recommendation with Missing Modalities

• arxiv url: http://arxiv.org/abs/2610.25801v1
• Date: Mon, 19 Oct 2026 05:12:53 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:30:18.015929
• Title: Learning Complementary Agent Groups via Task Hypergraphs for Next-POI Recommendation with Missing Modalities
• Title（参考訳）: タスクハイパーグラフによる補足エージェント集団の学習 : 欠落したモダリティに対するNext-POI勧告
• Abstract要約: 次のPOI(point-of-interest)推奨は、訪問履歴とPOIコンテンツを使用するが、テキストとイメージが欠落することが多い。 提案するTextscCATHは,候補を比較・分析するタスクのエージェントグループを選択することを学習する。
• 参考スコア（独自算出の注目度）: 12.239074547572114
• License:
• Abstract: Next point-of-interest (POI) recommendation uses visit histories and POI content, but text and images are often missing. Large language model agents have been applied to recommender systems for preference modeling and evidence acquisition. The challenge is to select agents that can jointly analyze the available evidence for each request. We propose \textsc{CATH} (\emph{Complementary Agents via Task Hypergraphs}), which learns to select agent groups for tasks such as comparing candidates or analyzing a POI with missing content. Agents with distinct processing roles are the task hypergraph nodes; each hyperedge connects the selected group and records its analysis goal and target POIs. The policy selects members conditioned on the request, task, and agents already selected. During execution, members share candidate-linked results that guide their subsequent operations. Completed tasks update candidate states and agent memories within the request. A shared ranking head converts candidate states into corrections to a fixed base ranking. Supervised ranking trains the executor, followed by policy optimization that accounts for computation cost. Experiments under natural missingness on Gowalla-CA, Foursquare-NYC, and Foursquare-TKY show 8.4--9.1\% relative NDCG@20 gains over HyperAgent4POI, the strongest prior baseline evaluated. Additional analyses compare group-selection and execution designs, test ranking under additional masking, and characterize quality--cost tradeoffs.
• Abstract（参考訳）: 次のPOI(point-of-interest)推奨は、訪問履歴とPOIコンテンツを使用するが、テキストとイメージが欠落することが多い。 大規模言語モデルエージェントは、好みのモデリングやエビデンス獲得のためのレコメンデーターシステムに適用されている。 課題は、各リクエストで利用可能な証拠を共同で分析できるエージェントを選択することだ。 本稿では,タスクハイパーグラフを介する「textsc{CATH} (\emph{Complementary Agents via Task Hypergraphs})」を提案する。 各ハイパーエッジは、選択されたグループを接続し、その分析目標とターゲットPOIを記録する。 このポリシーは、既に選択された要求、タスク、およびエージェントに条件付きのメンバーを選択する。 実行中、メンバは、その後の操作をガイドする候補リンクされた結果を共有する。 完了したタスクは、リクエスト内の候補状態とエージェントのメモリを更新する。 共有ランキングヘッドは、候補状態を固定ベースランキングに補正する。 監督されたランク付けは執行役を訓練し、計算コストを考慮に入れた政策最適化が続く。 Gowalla-CA、Foursquare-NYC、Foursquare-TKYでの自然に欠ける実験では、8.4-9.1\%の相対的なNDCG@20がHyperAgent4POIを上回った。 追加分析では、グループ選択と実行設計の比較、追加のマスキングによるテストランク付け、品質とコストのトレードオフを特徴付ける。

関連論文リスト

• DataSense-Bench: The First Step Toward an AI Scientist [33.53152581612297]
  フロンティアAIモデルは、トレーニング用の適切なデータ、すなわち、確実に選択できるデータを持っているか? 我々は,機械学習におけるデータ選択と性能予測の根本的な問題を通じて,この能力を研究するためにDataSense-Benchを紹介した。
  論文  参考訳（メタデータ） (2026-10-08T15:50:57Z)
• Programmatic Search Agents: Extending Agentic Search Beyond Query Reformulation [15.421250076594484]
  Programmatic Search Agent (PSA) は、候補に対する局所的な実行可能計算を検索アクションの単位とする。 PSAは、永続的な候補ワークスペース、柔軟な原始構成、選択的エビデンス提示を統一する。 クエリベースのエージェントとは対照的に、PSAはマクロ平均タスクの成功を4.00と7.56ポイント改善する。
  論文  参考訳（メタデータ） (2026-10-05T16:52:57Z)
• PRISM: PRIvileged Sibling-guided Multi-Agent Topology Design [52.60302464420127]
  そこで我々はPRISMを提案する。PRISMは、特権情報を用いて学習することで、同一コーパスからクエリごとの信号を復元する。 PRISMは6つの異なるベンチマークで、トポロジ設計のベースラインを評価している。
  論文  参考訳（メタデータ） (2026-09-29T17:22:16Z)
• Algebraic Retrieval: Composable Search for Agents [0.0]
  Algebraic Retrievalを使えば、AIエージェントはクエリ時に検索戦略を構成することができる。 コンポーザブルクエリとして、コントラストスコア、候補プールリランク、重み付けランキングを示す。 パブリック 11,429 ドキュメントの Vaswani フィクスチャでは、各プログラムの実装が 1e-6 未満のスコア差を持つ同じ文書群を選択する。
  論文  参考訳（メタデータ） (2026-09-16T22:49:00Z)
• From Intent to Execution: Composing Agentic Workflows with Agent Recommendation [1.462945824459286]
  本稿では,マルチエージェントシステムの自動作成のためのフレームワークを提案する。 提案するフレームワークは,必要なタスク固有のアプリケーションをオーケストレーションするソフトウェアモジュールとワークフローで構成されている。
  論文  参考訳（メタデータ） (2026-05-05T17:08:26Z)
• CoSearch: Joint Training of Reasoning and Document Ranking via Reinforcement Learning for Agentic Search [51.911048955965136]
  CoSearchは多段階推論エージェントと生成ドキュメントランキングモデルを共同でトレーニングするフレームワークである。 この結果から, 推論エージェントと検索システムの協調訓練は, 実現可能であり, 性能も高いことが示唆された。
  論文  参考訳（メタデータ） (2026-04-19T17:48:17Z)
• Graph-of-Agents: A Graph-based Framework for Multi-Agent LLM Collaboration [57.23877089929136]
  Graph-of-Agents (GoA)はマルチエージェントLLM通信をモデリングするための新しいグラフベースのフレームワークである。 GoAは3つの選択されたエージェントしか使用せず、最近のマルチエージェントLCMベースラインよりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-04-18T21:13:03Z)
• AgentSelect: Benchmark for Narrative Query-to-Agent Recommendation [39.61543921719145]
  AgentSelectは、エージェントの選択をナラティブクエリからエージェントへのレコメンデーションとして再設計するベンチマークである。 異種評価アーティファクトを、統一された正のみの相互作用データに変換する。 AgentSelectは、エージェントレコメンデーションのための最初の統一データと評価インフラストラクチャを提供する。
  論文  参考訳（メタデータ） (2026-03-04T06:17:51Z)
• Visual Document Understanding and Question Answering: A Multi-Agent Collaboration Framework with Test-Time Scaling [83.78874399606379]
  テスト時間スケーリングを備えたマルチエージェント協調フレームワークであるMACTを提案する。 4つの異なる小規模エージェントから構成され、明確に定義された役割と効果的なコラボレーションがある。 一般および数学的タスクの能力を犠牲にすることなく、より小さなパラメータスケールで優れた性能を示す。
  論文  参考訳（メタデータ） (2025-08-05T12:52:09Z)
• A Dynamic LLM-Powered Agent Network for Task-Oriented Agent Collaboration [55.35849138235116]
  本稿では,様々なタスクやドメインに対する動的コミュニケーション構造において,候補からエージェントのチームを自動的に選択する手法を提案する。 具体的には, LLMを利用したエージェント協調のための動的LLMパワーエージェントネットワーク(textDyLAN$)というフレームワークを構築した。 我々は、コード生成、意思決定、一般的な推論、算術的推論タスクにおいて、適度な計算コストで、DyLANが強力なベースラインを上回ることを実証する。
  論文  参考訳（メタデータ） (2023-10-03T16:05:48Z)

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。