論文の概要: Food Critic: An Agentic Visualization System for Auditable Restaurant-Safety Reasoning
- arxiv url: http://arxiv.org/abs/2611.15843v1
- Date: Wed, 11 Nov 2026 18:57:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.25524
- Title: Food Critic: An Agentic Visualization System for Auditable Restaurant-Safety Reasoning
- Title(参考訳): 食品批判:レストラン安全推論のためのエージェント可視化システム
- Abstract要約: 本稿では,レストラン意思決定支援のためのエージェント可視化システムであるFood Criticを紹介する。
このシステムは、データベースのみのReActエージェント、食品安全規制にアクセス可能な検索強化エージェント、構造化仮説と型付き証拠を生成するオントロジー誘導エージェントの3つの条件下でエージェントを接地する。
食品批評家は、これらの根拠の中でエージェントの推論を検査可能な視覚的証拠として外部化する。
- 参考スコア(独自算出の注目度): 6.759786165632975
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Generative AI agents are increasingly being embedded into visualization systems that can search data, invoke tools, summarize evidence, and produce recommendations. However, when agents rely solely on their own knowledge, the visualization problem is not only whether the agent provides a useful answer, but also whether users can inspect how that answer is grounded. We present Food Critic, an agentic visualization system for diners' restaurant decision support that integrates public health inspection records with crowd review data. The system grounds agents under three conditions: a database-only ReAct agent, a retrieval- augmented agent with access to food-safety regulations, and an ontology-guided agent that produces structured hypotheses and typed evidence. Food Critic externalizes the agent's reasoning within these groundings as inspectable visual evidence. We evaluate LLM models with several use cases under each grounding of our agentic system. Our work positions restaurant choice as a concrete case for studying human-agent collaboration, visual provenance of agent reasoning, and the design of visual interfaces for grounded GenAI decision support.
- Abstract(参考訳): 生成AIエージェントは、データ検索、ツールの呼び出し、証拠の要約、レコメンデーションの作成が可能な可視化システムに、ますます組み込まれている。
しかし,エージェントが自身の知識のみに頼っている場合,可視化上の問題は,エージェントが有用な回答を提供するかどうかだけでなく,ユーザがその回答を根拠にする方法を検査できるかどうかである。
本稿では,公衆衛生検査記録と観衆レビューデータを統合した食堂意思決定支援のためのエージェント可視化システムであるFood Criticを紹介する。
このシステムは、データベースのみのReActエージェント、食品安全規制にアクセス可能な検索強化エージェント、構造化仮説と型付き証拠を生成するオントロジー誘導エージェントの3つの条件下でエージェントを接地する。
食品批評家は、これらの根拠の中でエージェントの推論を検査可能な視覚的証拠として外部化する。
エージェントシステムの各接地条件下で, LLMモデルをいくつかのユースケースで評価した。
我々の研究は、レストランの選択を、人間とエージェントのコラボレーション、エージェント推論の視覚的証明、および、接地されたGenAI意思決定支援のためのビジュアルインターフェースの設計の具体例として位置づけている。
関連論文リスト
- Agentic Video Understanding: A Survey [23.341776402255448]
本調査では,映像を主要な情報源とする映像理解エージェントについて検討する。
まず、ビデオ理解のためのエージェントループを形式化し、次に中心的な疑問に対処する。
我々は、状態空間のパラダイム、学習パラダイム、監視信号、ベンチマーク、評価プロトコルについてレビューする。
論文 参考訳(メタデータ) (2026-09-21T02:58:10Z) - Misinformation Propagation in Benign Multi-Agent Systems [11.967259729189388]
マルチエージェントシステムは、医学的診断、法的な分析、法医学的な意思決定など、ハイテイクな環境にますます導入されている。
彼らの信頼性は、単一のエージェントが誤った、あるいは誤解を招くコンテキストから推論した場合、危険にさらされる可能性がある。
本研究は、意図に基づく誤報を良性単エージェントおよび多エージェントシステムに注入することにより、このリスクを研究する。
論文 参考訳(メタデータ) (2026-06-15T13:40:01Z) - From Question Answering to Task Completion: A Survey on Agent System and Harness Design [67.8241530947325]
本研究はモデルハーネスレンズを用いてLCMをベースとしたエージェントについて検討する。
まず, LLMをベースとしたエージェントを基礎モデルと実行ハーネスとして, エージェントの機能的定義と実装の視点を明らかにする。
次に、モデル中心のスケーリングの限界を分析し、エージェントエンジニアリングの4つのパラダイムをトレースし、実行ハーネスを6つの結合ランタイム責任に分解する。
論文 参考訳(メタデータ) (2026-06-14T05:40:16Z) - Learning to Seek Evidence: A Verifiable Reasoning Agent with Causal Faithfulness Analysis [10.749786847079163]
医学のような高度な領域におけるAIモデルの説明は、しばしば信頼性を欠いているため、信頼を妨げる可能性がある。
本稿では,対話型エージェントを提案する。
このポリシーは強化学習を用いて最適化され、効率的かつ一般化可能なモデルとなる。
論文 参考訳(メタデータ) (2025-11-03T10:21:35Z) - GSM-Agent: Understanding Agentic Reasoning Using Controllable Environments [56.007498767771075]
GSM-Agentは複雑な環境でエージェント推論を評価するための新しいベンチマークである。
我々は,環境文書の埋め込みをノードにクラスタ化することでエージェント推論パターンを分析し,各ツールコールを最も近いノードにマッピングする。
本稿では,LLMのエージェント推論性能を向上させるためのツール拡張テストタイムスケーリング手法を提案する。
論文 参考訳(メタデータ) (2025-09-26T07:24:37Z) - Can an Individual Manipulate the Collective Decisions of Multi-Agents? [53.01767232004823]
M-Spoilerは、マルチエージェントシステム内のエージェントインタラクションをシミュレートして、対向サンプルを生成するフレームワークである。
M-スポイラーは、敵対的サンプルの最適化を積極的に支援するスタブボーン剤を導入した。
本研究は,マルチエージェントシステムにおける個々のエージェントの知識によって引き起こされるリスクを検証した。
論文 参考訳(メタデータ) (2025-09-20T01:54:20Z) - Supporting Our AI Overlords: Redesigning Data Systems to be Agent-First [72.85721148326138]
大規模言語モデル(LLM)エージェントは、将来、データシステムの主要なワークロードになる可能性が高い。
エージェントの推測は、現在のデータシステムに課題をもたらす可能性がある。
我々は,新しいエージェントファーストデータシステムアーキテクチャの新たな研究機会について概説する。
論文 参考訳(メタデータ) (2025-08-31T21:19:40Z)
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。