論文の概要: Wayfinder: Adaptive Resource Routing from Agent Citations
- arxiv url: http://arxiv.org/abs/2611.16053v1
- Date: Wed, 11 Nov 2026 22:09:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.27993
- Title: Wayfinder: Adaptive Resource Routing from Agent Citations
- Title(参考訳): Wayfinder: エージェントサイテーションからの適応的なリソースルーティング
- Abstract要約: Wayfinderは、下流のエージェントが引用するドキュメントを優先する適応ルータである。
オフラインの強化学習は、どのリソースがどのトピックを保持するかのトレーニング時間オーバーフィッティングを回避するのに役立つ。
オープンに利用可能なプロの環境が、リソースアクセスパターンとリアルなクエリを組み合わせないため、3つの制御されたテストベッドを構築しリリースする。
- 参考スコア(独自算出の注目度): 31.046178567937975
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To act effectively, agents must gather contextual information across resources such as chats, issue trackers, email and knowledge bases, to answer questions like "what was decided in the last project meeting?" or "where is the FAQ for our internal tooling?" Where this information lives in a user's environment is unknown to the agent, so it re-explores the same resources across consecutive interactions. Common routing approaches represent each resource as a tool and rely on high-level descriptions to generalize to unseen environments. Such descriptions often fail to separate similar or overlapping resources and cannot improve from the agent's subsequent interactions. We introduce Wayfinder, an adaptive router that uses the documents cited by the downstream agent as feedback about where relevant information resides. These citations update Wayfinder's internal resource representations, which subsequent interactions use to prioritize the resources likely to contain relevant information. We also introduce resource augmentation during offline reinforcement learning, which anonymizes and permutes resource identities to discourage training-time overfitting of which resource holds which topic; our ablations suggest it helps most when few training environments are available. Because no openly available professional environments pair realistic queries with resource-access patterns, we construct and release three controlled testbeds derived from existing datasets: NFCorpus, FEVER and Tech Startup. Compared with supervised, tool-retrieval and contextual bandit baselines under a shared closed-loop protocol, Wayfinder gives the best routing when resources contain semantically overlapping content that static descriptions cannot distinguish, while description-based tool retrieval suffices when resources are drawn from distinct corpora.
- Abstract(参考訳): 効果的に行動するためには、エージェントはチャットやイシュートラッカ、Eメール、ナレッジベースといったリソースをまたいだコンテキスト情報を収集し、"最後のプロジェクトミーティングで何が決定されたのか?"、"内部ツールのFAQはどこにあるのか?
この情報がユーザの環境にある場所はエージェントに知られていないため、連続的なインタラクションを通じて同じリソースを再探索する。
一般的なルーティングアプローチは、各リソースをツールとして表現し、目に見えない環境に一般化するための高レベルな記述に依存します。
このような記述は、しばしば類似または重複するリソースを分離することができず、エージェントのその後の相互作用から改善することができない。
本稿では、下流エージェントが引用した文書を、関連する情報がどこにあるかに関するフィードバックとして利用する適応ルータであるWayfinderを紹介する。
これらの引用はWayfinderの内部リソース表現を更新する。
また、オフラインの強化学習において、リソースの匿名化と変更を行い、どのリソースがどのトピックを持っているかのトレーニング時間過適合を回避します。
オープンに利用可能なプロの環境では、現実的なクエリとリソースアクセスパターンを組み合わせないため、NFCorpus、FEVER、Tech Startupという既存のデータセットから派生した3つのコントロールされたテストベッドを構築し、リリースします。
共有されたクローズドループプロトコルの下での教師付き、ツール検索、コンテキスト的バンディットベースラインと比較すると、Wayfinderは静的記述では区別できないセマンティックな重なり合うコンテンツを含むリソースに最適なルーティングを提供する。
関連論文リスト
- OmniRetrieval: Unified Retrieval across Heterogeneous Knowledge Sources [67.62754856088591]
既存のレトリバーは、固定クエリ言語の下で一度に1つのソース上で動作します。
OmniRetrievalは、自然言語クエリを取り込み、適切な知識ソースを識別するフレームワークである。
論文 参考訳(メタデータ) (2026-05-28T02:10:35Z) - DeepSieve: Information Sieving via LLM-as-a-Knowledge-Router [57.28685457991806]
DeepSieveはエージェントRAGフレームワークで、LLM-as-a-knowledge-routerを介して情報を収集する。
我々の設計はモジュール性、透明性、適応性を重視しており、エージェントシステム設計の最近の進歩を活用している。
論文 参考訳(メタデータ) (2025-07-29T17:55:23Z) - From Web Search towards Agentic Deep Research: Incentivizing Search with Reasoning Agents [96.65646344634524]
推論とエージェント能力を備えた大規模言語モデル(LLM)は、エージェントディープリサーチ(Agenic Deep Research)と呼ばれる新しいパラダイムを取り入れている。
静的なWeb検索から,計画,探索,学習を行う対話型エージェントベースのシステムへの進化を辿ります。
我々はエージェントディープリサーチが既存のアプローチを著しく上回るだけでなく、将来の情報探索において支配的なパラダイムになることを実証する。
論文 参考訳(メタデータ) (2025-06-23T17:27:19Z) - RANa: Retrieval-Augmented Navigation [18.651051807288013]
我々は、RLで訓練された新しい検索拡張エージェントを導入し、同じ環境で前のエピソードから収集したデータベースを問い合わせる。
その結果,タスクや環境間でゼロショット転送が可能であり,性能は大幅に向上した。
論文 参考訳(メタデータ) (2025-04-04T15:22:02Z) - AI Enhanced Ontology Driven NLP for Intelligent Cloud Resource Query Processing Using Knowledge Graphs [0.0]
本稿では、オントロジーに基づくセマンティクスによって強化された高度な自然言語処理(NLP)を提案する。
提案フレームワークは,Latent Semantic Indexing (LSI) とAIモデルを用いた動的インテント抽出と関連性ランキングを可能にする。
論文 参考訳(メタデータ) (2025-02-10T02:15:13Z) - Synergistic Interplay between Search and Large Language Models for
Information Retrieval [141.18083677333848]
InteRにより、RMはLLM生成した知識コレクションを使用してクエリの知識を拡張することができる。
InteRは、最先端手法と比較して総合的に優れたゼロショット検索性能を実現する。
論文 参考訳(メタデータ) (2023-05-12T11:58:15Z) - Learning To Rank Resources with GNN [7.337247167823921]
本稿では,資源クエリと資源リソースの関係をモデル化可能なグラフニューラルネットワーク(GNN)に基づく学習からランクへのアプローチを提案する。
提案手法は,様々なパフォーマンス指標において,最先端の6.4%から42%を上回っている。
論文 参考訳(メタデータ) (2023-04-17T02:01:45Z) - Learning to Query Internet Text for Informing Reinforcement Learning
Agents [36.69880704465014]
野生で発見された自然言語から有用な情報を抽出する問題に取り組む。
私たちは、強化学習エージェントを訓練して、これらのソースを人間としてクエリする方法を学びます。
提案手法は,強化学習環境において,報酬を最大化するためにクエリを正しく学習することを示す。
論文 参考訳(メタデータ) (2022-05-25T23:07:10Z) - A Transfer Learning Pipeline for Educational Resource Discovery with
Application in Leading Paragraph Generation [71.92338855383238]
本稿では,新しいドメインに対するWebリソース発見を自動化するパイプラインを提案する。
パイプラインは2つの類似しているが新規なターゲットドメインで評価すると、F1スコアは0.94と0.82となる。
本研究は,サーベイジェネレーションのための各種Webリソースを考察した最初の研究である。
論文 参考訳(メタデータ) (2022-01-07T03:35:40Z)
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。