論文の概要: Multi-Agent Collaboration Mechanisms: A Survey of LLMs

• arxiv url: http://arxiv.org/abs/2501.06322v1
• Date: Fri, 10 Jan 2025 19:56:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:25:44.910887
• Title: Multi-Agent Collaboration Mechanisms: A Survey of LLMs
• Title（参考訳）: マルチエージェント協調機構:LLMに関する調査
• Authors: Khanh-Tung Tran, Dung Dao, Minh-Duong Nguyen, Quoc-Viet Pham, Barry O'Sullivan, Hoang D. Nguyen,
• Abstract要約: マルチエージェントシステム(Multi-Agent Systems、MAS)は、知的エージェントのグループによる複雑なタスクの協調と解決を可能にする。 この研究は、MASの協調的な側面に関する広範な調査を提供し、将来の研究を導くための枠組みを紹介している。
• 参考スコア（独自算出の注目度）: 6.545098975181273
• License:
• Abstract: With recent advances in Large Language Models (LLMs), Agentic AI has become phenomenal in real-world applications, moving toward multiple LLM-based agents to perceive, learn, reason, and act collaboratively. These LLM-based Multi-Agent Systems (MASs) enable groups of intelligent agents to coordinate and solve complex tasks collectively at scale, transitioning from isolated models to collaboration-centric approaches. This work provides an extensive survey of the collaborative aspect of MASs and introduces an extensible framework to guide future research. Our framework characterizes collaboration mechanisms based on key dimensions: actors (agents involved), types (e.g., cooperation, competition, or coopetition), structures (e.g., peer-to-peer, centralized, or distributed), strategies (e.g., role-based or model-based), and coordination protocols. Through a review of existing methodologies, our findings serve as a foundation for demystifying and advancing LLM-based MASs toward more intelligent and collaborative solutions for complex, real-world use cases. In addition, various applications of MASs across diverse domains, including 5G/6G networks, Industry 5.0, question answering, and social and cultural settings, are also investigated, demonstrating their wider adoption and broader impacts. Finally, we identify key lessons learned, open challenges, and potential research directions of MASs towards artificial collective intelligence.
• Abstract（参考訳）: 近年のLarge Language Models (LLMs)の進歩により、エージェントAIは現実のアプリケーションにおいて驚くべきものとなり、複数のLSMベースのエージェントに向かって、理解、学習、理性、協調して行動している。 これらのLLMベースのマルチエージェントシステム(MAS)により、インテリジェントエージェントのグループは、独立したモデルからコラボレーション中心のアプローチへと移行して、複雑なタスクをまとめて調整し、解決することができる。 この研究は、MASの協調的な側面に関する広範な調査を提供し、将来の研究を導くための拡張可能なフレームワークを導入している。 我々のフレームワークは,アクター(エージェント),タイプ(例えば,協力,競争,協力),構造(例えば,ピアツーピア,集中型,分散型),戦略(例えば,ロールベース,モデルベース),調整プロトコルといった,主要な次元に基づくコラボレーション機構を特徴付ける。 既存の方法論のレビューを通じて,本研究は,複雑な実世界のユースケースに対する,よりインテリジェントで協調的なソリューションに向けて,LSMベースのMASをデミスティフィケーションし,進化させる基盤として機能する。 さらに,5G/6Gネットワーク,産業5.0,質問応答,社会的・文化的環境など,多様な領域にわたるMASの応用についても検討し,その適用範囲と幅広い影響を実証した。 最後に、学習された重要な教訓、オープンな課題、そして人工知能に対するMASの潜在的研究の方向性を特定する。

関連論文リスト

• Beyond Self-Talk: A Communication-Centric Survey of LLM-Based Multi-Agent Systems [11.522282769053817]
  大規模言語モデル(LLM)は、最近、推論、計画、意思決定において顕著な能力を示した。 研究者はLLMをマルチエージェントシステムに組み込んで、単一エージェント設定の範囲を超えてタスクに取り組むようになった。 この調査はさらなるイノベーションの触媒として機能し、より堅牢でスケーラブルでインテリジェントなマルチエージェントシステムを促進する。
  論文  参考訳（メタデータ） (2025-02-20T07:18:34Z)
• When One LLM Drools, Multi-LLM Collaboration Rules [98.71562711695991]
  私たちは、データ、スキル、人々の幅広い多様性を表現するために、マルチLLMコラボレーションを議論しています。 既存のマルチLLM協調手法を,アクセスレベルと情報交換レベルに基づいて階層構造に整理する。 コンポジションインテリジェンスとコラボレーティブAI開発への不可欠な道として,マルチLLMコラボレーションを構想する。
  論文  参考訳（メタデータ） (2025-02-06T21:13:44Z)
• MALT: Improving Reasoning with Multi-Agent LLM Training [64.13803241218886]
  推論問題に対するマルチエージェントLLMトレーニング(MALT)に向けた第一歩を提示する。 提案手法では,ヘテロジニアスLSMが割り当てられた逐次的マルチエージェント構成を用いる。 我々は,MATH,GSM8k,CQAにまたがるアプローチを評価し,MALT on Llama 3.1 8Bモデルでそれぞれ14.14%,7.12%,9.40%の相対的な改善を実現した。
  論文  参考訳（メタデータ） (2024-12-02T19:30:36Z)
• Organizing a Society of Language Models: Structures and Mechanisms for Enhanced Collective Intelligence [0.0]
  本稿では,大規模言語モデルからコミュニティ構造への変換手法を提案する。 協力型AIシステムに特有のメリットと課題を提示する,階層的,フラット,ダイナミック,フェデレートされたさまざまな組織モデルについて検討する。 このようなコミュニティの実装は、AIにおける問題解決能力を改善するための大きな約束を持っている。
  論文  参考訳（メタデータ） (2024-05-06T20:15:45Z)
• Large Language Model-based Human-Agent Collaboration for Complex Task Solving [94.3914058341565]
  複雑なタスク解決のためのLarge Language Models(LLM)に基づくヒューマンエージェントコラボレーションの問題を紹介する。 Reinforcement Learning-based Human-Agent Collaboration method, ReHACを提案する。 このアプローチには、タスク解決プロセスにおける人間の介入の最も急進的な段階を決定するために設計されたポリシーモデルが含まれている。
  論文  参考訳（メタデータ） (2024-02-20T11:03:36Z)
• A Review of Cooperation in Multi-agent Learning [5.334450724000142]
  マルチエージェント学習(MAL)における協調は、多くの分野の共通点におけるトピックである。 本稿では,マルチエージェント学習の基本概念,問題設定,アルゴリズムについて概説する。
  論文  参考訳（メタデータ） (2023-12-08T16:42:15Z)
• Multi-Agent Consensus Seeking via Large Language Models [6.336670103502898]
  大規模言語モデル(LLM)によって駆動されるマルチエージェントシステムは、複雑なタスクを協調的に解決する有望な能力を示している。 この研究は、マルチエージェントコラボレーションにおける根本的な問題であるコンセンサス探索について考察する。
  論文  参考訳（メタデータ） (2023-10-31T03:37:11Z)
• Exploring Collaboration Mechanisms for LLM Agents: A Social Psychology View [60.80731090755224]
  本稿では,理論的洞察を用いた実用実験により,現代NLPシステム間の協調機構を解明する。 我々は, LLMエージェントからなる4つの独特な社会をつくり, それぞれのエージェントは, 特定の特性(容易性, 過信性)によって特徴づけられ, 異なる思考パターン(議論, ふりかえり)と協調する。 以上の結果から, LLMエージェントは, 社会心理学理論を反映した, 適合性やコンセンサスリーディングといった人間的な社会的行動を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2023-10-03T15:05:52Z)
• Cooperation, Competition, and Maliciousness: LLM-Stakeholders Interactive Negotiation [52.930183136111864]
  我々は,大言語モデル(LLM)を評価するためにスコーラブルネゴシエーション(scorable negotiations)を提案する。 合意に達するには、エージェントは強力な算術、推論、探索、計画能力を持つ必要がある。 我々は、新しいゲームを作成し、進化するベンチマークを持つことの難しさを増大させる手順を提供する。
  論文  参考訳（メタデータ） (2023-09-29T13:33:06Z)
• Learning Reward Machines in Cooperative Multi-Agent Tasks [75.79805204646428]
  本稿では,MARL(Multi-Agent Reinforcement Learning)に対する新しいアプローチを提案する。 これは、協調的なタスク分解と、サブタスクの構造をコードする報酬機(RM)の学習を組み合わせる。 提案手法は、部分的に観測可能な環境下での報酬の非マルコフ的性質に対処するのに役立つ。
  論文  参考訳（メタデータ） (2023-03-24T15:12:28Z)

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。