论文
TreeAgent：经可编译决策树的面向林业自动偏差标注的通用多智能体框架
TreeAgent: A Generalizable Multi-Agent Framework for Automated Bias Labeling in Forestry via Compiled Expert Rules and Vision-Language Models
摘要
尽管在许多专家驱动的领域中注释器之间存在已知的差异，但人工标记的数据被广泛用作机器学习中的参考注释。此外，专家注释速度慢、不一致，仍然是林业遥感中树高偏差分类等扩展任务的主要瓶颈。我们提出了一种多智能体系统（MAS），它使用视觉语言模型（VLM）来编排专家决策树，将决策树视为结构先验，而 VLM 在各个节点上执行本地化语义感知，并通过多智能体投票来减轻 VLM 的随机性。我们形式化了一个解耦声明式决策 (D3) 框架，该框架能够在不同的专家定义的决策结构中实现零修改泛化。在树偏差分类测试台上，我们的框架优于监督机器学习基线，并减少了所需的专家标记工作量。这些结果表明，具有专家先验的 VLM 的代理编排可以以低得多的注释成本重现专家定义的标记程序，同时保持可解释性。
