論文の概要: SMART: State-based Multi Agent Reasoning Traces for Verification-oriented Problem-Solving

• arxiv url: http://arxiv.org/abs/2611.08196v1
• Date: Thu, 05 Nov 2026 15:51:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.566675
• Title: SMART: State-based Multi Agent Reasoning Traces for Verification-oriented Problem-Solving
• Title（参考訳）: SMART: 検証指向問題解決のための状態ベースマルチエージェント推論トレース
• Abstract要約: 本稿では,参加するエンティティの暗黙の状態をキャプチャして知識を得るためのマルチエージェントフレームワークSMARTを提案する。 実世界の知識の基盤となる前提が不可欠であることを示し、パフォーマンスを最大5%向上させる。
• 参考スコア（独自算出の注目度）: 10.410635085145653
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Complex problems with limited context, such as claims, require a means to obtain additional knowledge necessary for solution reasoning. We propose a multi-agent framework, SMART, to obtain knowledge through capturing the implicit state of participating entities in a problem context. SMART curates the state knowledge as diverse, complementary and solution-salient premises using a variety of LLMs and a structured role-based prompt strategy. Using knowledge from these real-world verified curated premises, SMART's knowledge guided solution reasoning improves validation performance up to 20% on complex scientific claims spanning 3 datasets. We show that grounding premises in real-world knowledge is necessary and improves performance up to 5%.
• Abstract（参考訳）: クレームのような限られた文脈の複雑な問題は、解の推論に必要な追加の知識を得る手段を必要とする。 問題コンテキストにおける参加者の暗黙的な状態をキャプチャして知識を得るための多エージェントフレームワークSMARTを提案する。 SMARTは、多種多様なLSMと構造化されたロールベースのプロンプト戦略を用いて、多様で相補的で解決可能な前提として状態知識をキュレートする。 これらの実世界の検証済みの前提からの知識を利用することで、SMARTの知識誘導ソリューション推論は、3つのデータセットにまたがる複雑な科学的クレームの検証性能を最大20%向上させる。 実世界の知識の基盤となる前提が不可欠であることを示し、パフォーマンスを最大5%向上させる。

関連論文リスト

• AMATA: Adaptive Multi-Agent Trajectory Alignment for Knowledge-Intensive Question Answering [59.145044878490815]
  AMATAはAdaptive Multi-Agent Trajectory Alignmentフレームワークである。 外部知識を動的に統合し、応答の解釈可能性と事実的根拠を改善する。 本稿では,(1)重要エージェントを優先する目的指向の嗜好を学習するトラジェクトリ内選好学習,(2)エージェント間の依存性学習,という2つの主要なイノベーションを紹介する。
  論文  参考訳（メタデータ） (2026-05-17T09:45:24Z)
• SIGMA: Search-Augmented On-Demand Knowledge Integration for Agentic Mathematical Reasoning [0.054619385369457214]
  SIGMA(Search-Augmented On-Demand Knowledge Integration for AGentic Mathematical reAsoning)は、特殊エージェントを編成する統合フレームワークである。 各エージェントは仮説パスを生成し、分析的な視点で検索を最適化し、知識統合が文脈に敏感で計算効率が良いことを保証する。 その結果,多エージェントのオンデマンド知識統合は推論精度と効率性の両方を著しく向上させ,複雑で知識集約的な問題解決にスケーラブルなアプローチを提供することを示した。
  論文  参考訳（メタデータ） (2025-10-31T15:51:00Z)
• Synergistic Multi-Agent Framework with Trajectory Learning for Knowledge-Intensive Tasks [44.42989163847349]
  大規模言語モデル(LLM)は、様々な自然言語処理タスクにおいて大きなブレークスルーをもたらした。 知識集約的なシナリオにおいて、現実的に一貫した応答を生成することは、依然として課題である。 本稿では,LSM生成応答の解釈可能性と現実的一貫性を高めるために,外部知識を活用する新しいマルチエージェントフレームワークSMARTを紹介する。
  論文  参考訳（メタデータ） (2024-07-13T13:58:24Z)
• WESE: Weak Exploration to Strong Exploitation for LLM Agents [95.6720931773781]
  本稿では,オープンワールド対話型タスクの解法において,LLMエージェントの強化を目的としたWeak Exploration to Strong Exploitation (WESE)を提案する。 WESEは、探究と搾取のプロセスを分離し、費用対効果の弱いエージェントを用いて世界的知識の探索を行う。 次に、獲得した知識を格納し、タスク関連知識を抽出する知識グラフベースの戦略を導入する。
  論文  参考訳（メタデータ） (2024-04-11T03:31:54Z)
• Knowledge Crosswords: Geometric Knowledge Reasoning with Large Language Models [49.23348672822087]
  構造化された事実制約に縛られた不完全な知識ネットワークからなるベンチマークである知識クロスワードを提案する。 幾何学的知識推論の新しい設定は、既存の原子/線形マルチホップQAを超える新しいLM能力を必要とする。 我々は,既存のLLMと知識クロスワードのアプローチを評価するために,広範囲な実験を行っている。
  論文  参考訳（メタデータ） (2023-10-02T15:43:53Z)
• When Giant Language Brains Just Aren't Enough! Domain Pizzazz with Knowledge Sparkle Dust [15.484175299150904]
  本稿では,大規模言語モデルの実践的ユースケースへの適応におけるギャップを埋めることを目的とした経験的分析を提案する。 本研究は, 推論の課題によるケーススタディとして, 保険の質問応答(QA)タスクを選択する。 本課題に基づいて,保険政策ルールブックやDBPediaから抽出した付加的な知識により,LLMに依存した新たなモデルを設計する。
  論文  参考訳（メタデータ） (2023-05-12T03:49:59Z)
• Search-in-the-Chain: Interactively Enhancing Large Language Models with Search for Knowledge-intensive Tasks [121.74957524305283]
  本稿では、情報検索(IR)とLarge Language Model(LLM)のインタラクションのための、textbfSearch-in-the-Chain(SearChain)という新しいフレームワークを提案する。 実験の結果、SearChainは複雑な知識集約タスクにおける最先端のベースラインを上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-04-28T10:15:25Z)

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。