論文の概要: Beyond Frameworks: Unpacking Collaboration Strategies in Multi-Agent Systems
- arxiv url: http://arxiv.org/abs/2505.12467v1
- Date: Sun, 18 May 2025 15:46:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-20 14:57:11.25267
- Title: Beyond Frameworks: Unpacking Collaboration Strategies in Multi-Agent Systems
- Title（参考訳）: フレームワークを超えて - マルチエージェントシステムにおけるコラボレーション戦略の展開
- Authors: Haochun Wang, Sendong Zhao, Jingbo Wang, Zewen Qiang, Bing Qin, Ting Liu,
- Abstract要約: 本研究では,協力戦略の4つの側面を体系的に検討する。
我々はこれらの戦略がタスク精度と計算効率の両方に与える影響を定量化する。
この研究は適応的でスケーラブルなマルチエージェントシステムを設計するための基盤を確立する。
- 参考スコア（独自算出の注目度）: 29.924868489451327
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-agent collaboration has emerged as a pivotal paradigm for addressing complex, distributed tasks in large language model (LLM)-driven applications. While prior research has focused on high-level architectural frameworks, the granular mechanisms governing agents, critical to performance and scalability, remain underexplored. This study systematically investigates four dimensions of collaboration strategies: (1) agent governance, (2) participation control, (3) interaction dynamics, and (4) dialogue history management. Through rigorous experimentation under two context-dependent scenarios: Distributed Evidence Integration (DEI) and Structured Evidence Synthesis (SES), we quantify the impact of these strategies on both task accuracy and computational efficiency. Our findings reveal that centralized governance, instructor-led participation, ordered interaction patterns, and instructor-curated context summarization collectively optimize the trade-off between decision quality and resource utilization with the support of the proposed Token-Accuracy Ratio (TAR). This work establishes a foundation for designing adaptive, scalable multi-agent systems, shifting the focus from structural novelty to strategic interaction mechanics.
- Abstract（参考訳）: マルチエージェントコラボレーションは,大規模言語モデル(LLM)駆動アプリケーションにおいて,複雑な分散タスクに対処するための重要なパラダイムとして登場した。
以前の研究では、ハイレベルなアーキテクチャフレームワークに焦点が当てられていたが、パフォーマンスとスケーラビリティに批判的な、粒度の細かいメカニズムを規定するエージェントは、いまだに未調査のままである。
本研究では,(1)エージェントガバナンス,(2)参加制御,(3)インタラクションダイナミクス,(4)対話履歴管理の4つの側面を体系的に検討する。
分散エビデンス統合(DEI)と構造化エビデンス合成(SES)という2つの文脈に依存した厳密な実験を通して、これらの戦略がタスク精度と計算効率の両方に与える影響を定量化する。
この結果から,中央集権的ガバナンス,インストラクター主導の参加,秩序あるインタラクションパターン,およびインストラクター主導のコンテキスト要約が,提案したToken-Accuracy Ratio(TAR)の支持を得て,意思決定品質と資源利用のトレードオフを総合的に最適化していることが明らかとなった。
この研究は適応的でスケーラブルなマルチエージェントシステムを設計するための基盤を確立し、構造的ノベルティから戦略的相互作用力学へ焦点を移した。
関連論文リスト
- Towards Multi-Agent Reasoning Systems for Collaborative Expertise Delegation: An Exploratory Design Study [45.90906050232582]
本稿では, 協調推論性能が3つの重要な設計次元にどう影響するかを系統的に検討する。
この結果,専門知識の整合性はドメイン・コンテンセントが高く,文脈的推論タスクに最も効果的であることが判明した。
最後に,マルチエージェントシステムを専門知識でスケールアップすることによる影響を実証的に検討し,より効率的な通信プロトコル設計の必要性を強調した。
論文 参考訳（メタデータ） (2025-05-12T07:59:13Z) - Advancing Multi-Agent Systems Through Model Context Protocol: Architecture, Implementation, and Applications [0.0]
本稿では,モデルコンテキストプロトコル(MCP)によるマルチエージェントシステムの進化のための包括的フレームワークを提案する。
我々は、統合理論基盤、高度なコンテキスト管理技術、スケーラブルな調整パターンを開発することで、AIエージェントアーキテクチャに関するこれまでの研究を拡張した。
私たちは、現在の制限、新たな研究機会、そして業界全体にわたる潜在的な変革的応用を特定します。
論文 参考訳（メタデータ） (2025-04-26T03:43:03Z) - A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。
大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。
我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
論文 参考訳（メタデータ） (2025-04-12T01:27:49Z) - MultiAgentBench: Evaluating the Collaboration and Competition of LLM agents [59.825725526176655]
大規模言語モデル(LLM)は、自律的なエージェントとして顕著な能力を示している。
既存のベンチマークでは、単一エージェントタスクにフォーカスするか、狭いドメインに限定されており、マルチエージェントのコーディネーションと競合のダイナミクスを捉えていない。
多様な対話シナリオにまたがってLLMベースのマルチエージェントシステムを評価するためのベンチマークであるMultiAgentBenchを紹介する。
論文 参考訳（メタデータ） (2025-03-03T05:18:50Z) - A Cooperative Multi-Agent Framework for Zero-Shot Named Entity Recognition [71.61103962200666]
ゼロショット名付きエンティティ認識(NER)は、注釈のないテキストコーパスからエンティティ認識システムを開発することを目的としている。
最近の研究は、特別なプロンプトテンプレートを作成することで、ゼロショットNERに大規模な言語モデル(LLM)を適用している。
ゼロショットNERのための新しいフレームワークである協調型マルチエージェントシステム(CMAS)を紹介する。
論文 参考訳（メタデータ） (2025-02-25T23:30:43Z) - Agentic LLM Framework for Adaptive Decision Discourse [2.4919169815423743]
本研究では,実世界のエージェント型大規模言語モデル(LLM)フレームワークを紹介する。
従来の意思決定支援ツールとは異なり、このフレームワークは対話、トレードオフ探索、エージェント間の相互作用によって生成される創発的なシナジーを強調している。
その結果、第1次探索がいかに堅牢で公平なレコメンデーションパスを育むかが明らかとなった。
論文 参考訳（メタデータ） (2025-02-16T03:46:37Z) - Enhancing Cooperation through Selective Interaction and Long-term Experiences in Multi-Agent Reinforcement Learning [10.932974027102619]
本研究では,空間的囚人のジレンマゲームにおけるマルチエージェント強化学習に基づく計算フレームワークを提案する。
2つの異なるQ-ネットを用いて各エージェントをモデル化することにより、協調と相互作用の共進化ダイナミクスを解き放つ。
論文 参考訳（メタデータ） (2024-05-04T12:42:55Z) - LLM as a Mastermind: A Survey of Strategic Reasoning with Large Language Models [75.89014602596673]
戦略推論は、戦略を調整しながら、マルチエージェント設定における敵の行動を理解し、予測する必要がある。
大規模言語モデルを用いた戦略的推論に関連するスコープ,アプリケーション,方法論,評価指標について検討する。
戦略的推論を重要な認知能力として重要視し、将来の研究の方向性や潜在的な改善に関する洞察を提供する。
論文 参考訳（メタデータ） (2024-04-01T16:50:54Z)
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。