論文の概要: CogniLife: Continuous Cognitive Distillation for Deployed Multi-Expert Agent Marketplaces

• arxiv url: http://arxiv.org/abs/2611.04483v1
• Date: Tue, 03 Nov 2026 08:13:34 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:51:06.892095
• Title: CogniLife: Continuous Cognitive Distillation for Deployed Multi-Expert Agent Marketplaces
• Title（参考訳）: CogniLife: デプロイされたマルチ専門家エージェントマーケットプレースのための継続的認知的蒸留
• Abstract要約: マルチエキスパートエージェントマーケットプレイスは、言語技術の新たな展開パターンである。 発行された専門家は、その作者について多くのリクエストを受けることができるが、証拠はほとんどない。 連続的な認知的蒸留は、属性付きクリエーターの観察を変更可能な決定規則に変換するものである。
• 参考スコア（独自算出の注目度）: 17.790459405582734
• License:
• Abstract: Multi-expert agent marketplaces -- where creators publish domain-specific AI experts for end users to consult -- are an emerging deployment pattern for language technology. A published expert can receive many requests yet little evidence about its creator, who remains active elsewhere: the cold-expert problem. We frame continuous cognitive distillation as converting attributed creator observations into revisable decision rules, communication patterns, and domain procedures. CogniLife proposes a cross-expert attribution design for this problem, with Creator Profiles for transferable creator patterns and Expert Journals for listing-specific knowledge; this design is not yet implemented or evaluated. A deployed platform partially realizes the surrounding lifecycle through creator-authorized authoring, capability-owned proposal filtering, and reversible consolidation of eligible owner-scoped memory. On ProfyBench-v1, an 85-task offline benchmark built from replay seeds and controlled internal tests, the Profy Full configuration as a whole achieves a mean overall score of 4.65/5 from the primary LLM judge, compared with 4.01 for Raw LLM and 4.28 for Expert Prompt, with the largest gains in completeness, specificity, and missing-information tasks. These configuration-level scores do not test cold-expert mitigation, cross-expert transfer, or longitudinal distillation.
• Abstract（参考訳）: マルチエキスパートエージェントマーケットプレース -- 作者がドメイン固有のAI専門家を公開してエンドユーザに相談する — は、言語テクノロジの新たなデプロイメントパターンだ。 発行された専門家は、その作者について多くのリクエストを受けることができるが、その証拠はほとんど得られない。 連続的な認知的蒸留は、属性付きクリエーターの観察を、変更可能な決定規則、コミュニケーションパターン、ドメインプロシージャに変換するものである。 CogniLifeは、この問題に対して、トランスファー可能なクリエータパターンのためのクリエータプロファイルと、リスト固有の知識のためのExpert Journalという、クロスエキスパートな属性設計を提案している。 デプロイされたプラットフォームは、作成者認可のオーサリング、機能所有の提案フィルタリング、許容する所有者スコープメモリの可逆的な統合を通じて、周囲のライフサイクルを部分的に実現します。 ProfyBench-v1は85タスクのオフラインベンチマークで、シードを再生し、内部テストを制御する。Profy Fullの構成は、最初のLSMの判定値から平均4.65/5のスコアを得るが、Raw LLMの4.01とExpert Promptの4.28は、完全性、特異性、および欠落情報タスクの最大の向上である。 これらの構成レベルスコアは、コールド・エキスパート・緩和、クロス・エキスパート・トランスファー、縦断蒸留を検査しない。

関連論文リスト

• RAPTOR: Role-Aware Private Training for Mixture-of-Experts [68.5626338219096]
  RAPTORはRole-Aware Private Trainingフレームワークである。 RAPTORは共有と専門家の最適化を交互に行い、各障害を直接ターゲットする。 GLUEタスク間でのSwitch TransformerとOLMoEの微調整およびDeepSeek-VL2-Tinyの実験では、標準のDPベースラインよりも一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-09-04T23:16:12Z)
• GADR: Gathering Architecture Decision Records from Meeting Transcriptions [6.254624232861127]
  本稿では,複数エージェントによる自己修正ワークフローであるGADRについて,生のミーティングの書き起こしからアーキテクチャ決定を抽出し,Nygard形式のADRドラフトを生成する。 5つの実際のプロジェクトミーティングの書き起こし、4人のシニアアーキテクトによる専門家のレビュー、および15人の学生による評価からなるフィージビリティスタディは、エージェントワークフローが専門家が特定したほとんどの決定を捉えているという最初の証拠を提供する。 この研究は、RAGベースのエンリッチメントによるADR深度の改善と、書き起こし不信な内容のリスクの未解決なトレードオフにも対処している。
  論文  参考訳（メタデータ） (2026-08-18T12:11:42Z)
• Bridging Expert Knowledge and Automated Feature Engineering via Self-Evolution [35.18494473127365]
  本稿では,FEST (Feature Engineering with Self-evolving Trees) について述べる。 FESTは、厳密なセマンティックアライメントしきい値において、専門家が設計したブランド機能の60～80%のカバレッジを達成している。 自動機能エンジニアリングにおけるエキスパートアライメントの体系的評価を可能にするために,2,683ブランドで1M以上のアセットを備えた,最初のデータセットペアリング専門家設計機能であるBrandGuideをリリースした。
  論文  参考訳（メタデータ） (2026-06-07T19:39:03Z)
• IDEA2: Expert-in-the-loop competency question elicitation for collaborative ontology engineering [0.25649622173185915]
  本稿では,この課題に対処するために,Large Language Models (LLMs) を協調的かつエキスパート・ザ・ループプロセスに統合した,新しい半自動化ワークフロー IDEA2 を紹介する。 各CQのライフサイクル全体は、編集、匿名化されたフィードバック、生成パラメータの全行をキャプチャするプロファイランスモデルを使用して追跡される。
  論文  参考訳（メタデータ） (2026-04-01T19:54:47Z)
• HippoCamp: Benchmarking Contextual Agents on Personal Computers [71.97629614361549]
  HippoCampは、マルチモーダルファイル管理におけるエージェントの能力を評価するために設計された新しいベンチマークである。 本ベンチマークでは,2K以上の実世界のファイルにまたがる42.4GBのデータを含む,多種多様なモダリティにまたがる実世界のプロファイルに対して,デバイススケールのファイルシステムをインスタンス化する。
  論文  参考訳（メタデータ） (2026-04-01T17:58:33Z)
• MoE Lens -- An Expert Is All You Need [0.09444932939944471]
  エキスパートの混合(MoE)モデルは、スパース専門家のアクティベーションを通じてパラメータ効率のスケーリングを可能にする。 本稿では,2つの相補的アプローチを用いて,MoEsの専門家専門化の体系的分析を行う。
  論文  参考訳（メタデータ） (2026-03-06T01:35:28Z)
• Inference-Time Scaling of Verification: Self-Evolving Deep Research Agents via Test-Time Rubric-Guided Verification [71.98473277917962]
  近年のDeep Research Agents (DRA) の進歩は、自動知識発見と問題解決に変化をもたらしている。 本稿では,政策モデルのアウトプットを反復的に検証することで,エージェントの能力を自己進化させる手法を提案する。 検証の非対称性を生かしたルーブリックスに基づく結果報酬検証器であるDeepVerifierを提案する。
  論文  参考訳（メタデータ） (2026-01-22T09:47:31Z)
• MiRAGE: A Multiagent Framework for Generating Multimodal Multihop Question-Answer Dataset for RAG Evaluation [0.3499870393443268]
  既存のデータセットは一般的なドメインコーパスや純粋にテキスト検索に依存していることが多い。 RAGシステム評価のためのMultiagentフレームワークであるMiRAGEを紹介する。 MiRAGEは、検証済み、ドメイン固有、マルチモーダル、マルチホップ質問応答データセットを生成するために、専門エージェントの群を編成する。
  論文  参考訳（メタデータ） (2026-01-21T21:39:09Z)
• Token-Level Prompt Mixture with Parameter-Free Routing for Federated Domain Generalization [51.562474873972086]
  Federated Domain Generalization (FedDG)は、異種データを持つ分散クライアントからグローバルに一般化可能なモデルを学ぶことを目的としている。 近年の研究では、単一のグローバルなプロンプトを学習することで、FedDGの視覚言語モデル(VLM)を適応させる素早い学習が導入されている。 本稿では,FedDGのためのパラメータフリールーティングフレームワークであるTRIPを提案する。
  論文  参考訳（メタデータ） (2025-04-29T11:06:03Z)
• ExpertPrompting: Instructing Large Language Models to be Distinguished Experts [97.3059051511732]
  本稿では,エキスパートとして回答する大規模言語モデルの可能性を引き出すために,ExpertPromptingを提案する。 我々はGPT-3.5を使って新しい命令追跡データを作成し、ExpertLLaMAと呼ばれる競合するオープンソースのチャットアシスタントを訓練する。
  論文  参考訳（メタデータ） (2023-05-24T03:51:31Z)

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。