A Cooperative Multi-Agent Framework for Author Name Disambiguation

技術要約：協調型マルチエージェント・フレームワークによる著者名曖昧性解消

問題提起
著者名曖昧性解消（Author Name Disambiguation: AND）は、デジタルライブラリおよび書誌データ管理における極めて重要な課題である。同姓同名（異なる人物が似た名前を持つこと）や同義語（同一人物が名前のバリエーションを使用すること）に起因する曖昧な著者名は、出版物の属性付与の誤り、著者プロファイルの断片化、および計量書誌学的指標の歪みを引き起こす。ANDはしばしばクラスタリングタスクとして定式化されるが、その決定プロセスには、名称データ、共著者関係、出版発表の場、所属機関、および時間的情報を含む、異種かつしばしばノイズを含むエビデンスソースを統合する必要がある。既存のアプローチは、ルールベースのヒューリスティックから、複雑なグラフベースのモデル、あるいは大規模言語モデル（LLM）のパイプラインまで多岐にわたるが、これらは高い計算コスト、解釈性の欠如、または繰り返しの推論への依存という問題を抱えている可能性がある。

手法：AIDA-AND フレームワーク
本論文では、ANDプロセスをモジュール化するために設計された、協調型マルチエージェントシステム（MAS）である AIDA-AND（Agent-based Intelligent Disambiguation of Authors）を提案する。このフレームワークは、曖昧な著者名の解消タスクを、オーケストレーターと決定エージェントによって調整される、特定の証拠ソースを評価する専門エージェントへと分解する。

• アーキテクチャとエージェント： システムは、以下の7つの専門エージェントを利用する：

  • Nominal Agent（名称エージェント）： トークン重複、文字列類似度、およびJaccard類似度を用いて、名前の文字列、姓、イニシャル、およびバリエーションを評価する。
  • Semantic Agent（意味エージェント）： メタデータ（タイトル、抄録、キーワードなど）に適用されるIBM Graniteモデル（granite-embedding-311m-multilingual-r2）のキャッシュされた埋め込みを使用して、意味的類似性を算出する。
  • Social Agent（社会エージェント）： 共著者の重複を分析し、繰り返される共通の共著者に対してボーナスを付与する。
  • Temporal Agent（時間エージェント）： 出版年の適合性を評価し、大きな時間的隔たりに対してペナルティを課す。
  • Institutional Agent（機関エージェント）： 所属、組織、およびメールドメインを評価する。
  • Decision Agent（決定エージェント）： 専門エージェントの意見を集約する。
  • Orchestrator（オーケストレーター）： SPADE/XMPP プロトコルを使用してエージェント間の通信を調整し、予測されるクラスターを更新する。

• エビデンス・スコアリングと決定戦略：
  各専門エージェントは、ラベル付きデータから学習されたものではない、ヒューリスティックで設定可能なルールに基づき、スコアと信頼値を出力する。Decision Agentは、以下の式を用いて、加重集約スコア（$S$）およびグローバルな信頼度（$C$）を算出する：
  $$S = \frac{\sum w_g c_g s_g}{\sum w_g c_g}$$
  ここで、$w_g$、$c_g$、$s_g$ はそれぞれエージェント $g$ の重み、信頼度、およびスコアを表す。最終的な決定（マージ、非マージ、または不確実）は、集約されたスコアを設定可能なマージ閾値と比較し、コンフリクト・ルール（例：弱い名称の適合性や機関の不一致の処理）を適用することによって決定される。

• 実行： フレームワークは、並列グループ内の曖昧な著者名ブロックを処理する。グラフ構築、グラフ畳み込みネットワーク（GCN）、およびグラフ強化型階層的凝集クラスタリング（GHAC）には依存せず、軽量なヒューリスティック信号と意味的埋め込みを利用する。

主な貢献

1. 協調型マルチエージェント・アーキテクチャ： 名称、意味、社会、時間、および機関のデータへのエビデンス評価を分離したモジュール式システム。
2. 設定可能な決定戦略： ラベル付きデータからのエンドツーエンドの学習を必要とせずに、加重エビデンス、マージ閾値、およびコンフリクト・ルールを組み合わせるメカニズム。
3. SPADE/XMPP 実装： SPADEプラットフォームとXMPPメッセージングを用いた、エージェント間の通信と調整の実用的な実装。
4. 包括的な評価： ATGEP、MD Similarity、Higher-order SA、および ComMAND との比較を含む、AMiner12 および DBLP データセットを用いた実験的評価、閾値感度分析、アブレーション研究、および実行時間の評価。

実験結果

• AMiner12 の性能： AIDA-AND は、比較された手法の中で最高の ペアワイズ F1（pF1） スコア（0.834）を達成し、2番目に優れた手法（MD Similarity, 0.784）に対し、相対的に 6.4% の改善を示した。また、最高のペアワイズ再現率（0.875）も達成した。しかし、クラスターレベルの指標（ACP、AAP、および K）においては ComMAND が AIDA-AND を上回った。
• DBLP の性能： DBLP データセットでは、ComMAND がすべての指標において最高の値を記録した。AIDA-AND の pF1 は 0.605、K 値は 0.805 であった。低いペアワイズ適合率（0.536）は、使用された DBLP バージョンに所属データが含まれていなかったことを示しており、Institutional Agent の貢献が制限されたため、誤ったマージ（偽陽性）の発生率が高かったことを示唆している。
• アブレーション研究： Nominal、Semantic、または Social エージェントを削除すると、pF1 が最も大幅に低下し、これらが最も影響力のある構成要素であることが確認された。Temporal および Institutional エージェントは、補完的ではあるが、支配的な信号には至らなかった。
• 実行効率： 採用された並列実行設定（AMiner12 では 5 グループ、DBLP では 20 グループ）の下、AIDA-AND は ComMAND と比較して、AMiner12 で 50.1%、DBLP で 87.4% の実行時間を短縮した。この効率性は、グラフ構築や GCN 学習を回避していること、および並列処理を組み合わせていることに起因する。

意義と主張
著者らは、AIDA-AND を、意味的エビデンスとヒューリスティックなエビデンスを組み合わせるための、競争力があり、モジュール式で、解釈可能な代替案として位置づけている。このフレームワークは、意思決定における透明性の必要性に対処しており、「ブラックボックス」的なグラフベースの手法や LLM 重視のアプローチとは対照的である。結果は、グラフベースの手法（ComMAND など）が特定の文脈において優れたクラスターの一貫性を示す可能性がある一方で、協調型マルチエージェント・アプローチが、特に複数のメタデータソースが利用可能な場合に、同一著者のペアを回収するための実行可能な経路を提供することを示唆している。著者らは、フレームワークの性能がデータセットの特性（例：所属データの可用性）に敏感であり、マージ閾値をデータセットごとに調整する必要があることを強調している。本研究は、協調的なエージェントベースの決定プロセスが、複雑なグラフ学習や繰り返しの LLM 推論に頼ることなく、異種のエビデンスを効果的にバランスさせられることを AIDA-AND が成功裏に示したことを結論付けている。