論文の概要: COALESCE: Economic and Security Dynamics of Skill-Based Task Outsourcing Among Team of Autonomous LLM Agents

• arxiv url: http://arxiv.org/abs/2506.01900v1
• Date: Mon, 02 Jun 2025 17:22:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:34.62939
• Title: COALESCE: Economic and Security Dynamics of Skill-Based Task Outsourcing Among Team of Autonomous LLM Agents
• Title（参考訳）: COALESCE:自律LLMエージェントチームにおけるスキルベースタスクアウトソーシングの経済・セキュリティダイナミクス
• Authors: Manish Bhatt, Ronald F. Del Rosario, Vineeth Sai Narajala, Idan Habler,
• Abstract要約: COALESCEは、自律型大規模言語モデル(LLM)エージェントが特定のサブタスクを、特殊で費用対効果の高いサードパーティのLCMエージェントにアウトソースできるように設計された、新しいフレームワークである。 239の理論的シミュレーションによる総合的な検証は41.8%のコスト削減の可能性を示している。 240の実際のLCMタスクにわたる大規模な実証検証により、適切なエプシロン-グレディー探索によって20.3%のコスト削減が確認された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The meteoric rise and proliferation of autonomous Large Language Model (LLM) agents promise significant capabilities across various domains. However, their deployment is increasingly constrained by substantial computational demands, specifically for Graphics Processing Unit (GPU) resources. This paper addresses the critical problem of optimizing resource utilization in LLM agent systems. We introduce COALESCE (Cost-Optimized and Secure Agent Labour Exchange via Skill-based Competence Estimation), a novel framework designed to enable autonomous LLM agents to dynamically outsource specific subtasks to specialized, cost-effective third-party LLM agents. The framework integrates mechanisms for hybrid skill representation, dynamic skill discovery, automated task decomposition, a unified cost model comparing internal execution costs against external outsourcing prices, simplified market-based decision-making algorithms, and a standardized communication protocol between LLM agents. Comprehensive validation through 239 theoretical simulations demonstrates 41.8\% cost reduction potential, while large-scale empirical validation across 240 real LLM tasks confirms 20.3\% cost reduction with proper epsilon-greedy exploration, establishing both theoretical viability and practical effectiveness. The emergence of proposed open standards like Google's Agent2Agent (A2A) protocol further underscores the need for frameworks like COALESCE that can leverage such standards for efficient agent interaction. By facilitating a dynamic market for agent capabilities, potentially utilizing protocols like A2A for communication, COALESCE aims to significantly reduce operational costs, enhance system scalability, and foster the emergence of specialized agent economies, making complex LLM agent functionalities more accessible and economically viable.
• Abstract（参考訳）: LLM(Autonomous Large Language Model)エージェントの気象学的上昇と増殖は、さまざまな領域にまたがる重要な能力を約束する。 しかしながら、そのデプロイメントは、特にGPU(Graphics Processing Unit)リソースに対する、相当量の計算要求によって、ますます制限されている。 本稿では, LLMエージェントシステムにおける資源利用の最適化に関する重要な問題に対処する。 我々は、自律型LDMエージェントが特定のサブタスクを、特別で費用対効果の高い第三者LCMエージェントに動的にアウトソースできるように設計された新しいフレームワークであるCOALESCE(Cost-Optimized and Secure Agent Labor Exchange via Skill-based Competence Estimation)を紹介する。 このフレームワークは、ハイブリッドスキル表現、ダイナミックスキル発見、自動タスク分解、内部実行コストと外部アウトソーシング価格を比較した統合コストモデル、市場ベースの意思決定アルゴリズムの簡素化、LLMエージェント間の標準化された通信プロトコルを統合する。 239の理論的シミュレーションによる包括的検証は41.8\%のコスト削減ポテンシャルを示し、240の実際のLCMタスクにわたる大規模な実証検証は20.3\%のコスト削減と適切なエプシロン・グレディ探査を確認、理論的生存可能性と実用性の両方を確立する。 GoogleのAgent2Agent(A2A)プロトコルのような提案されたオープン標準の出現は、効率的なエージェントインタラクションのためにそのような標準を活用するCOALESCEのようなフレームワークの必要性をさらに強調している。 COALESCEは、エージェント能力の動的な市場を促進し、通信にA2Aのようなプロトコルを活用することにより、運用コストを大幅に削減し、システムのスケーラビリティを高め、特殊なエージェント経済の出現を促進し、複雑なLLMエージェント機能をよりアクセスし、経済的に実現できるようにする。

関連論文リスト

• Heterogeneous Group-Based Reinforcement Learning for LLM-based Multi-Agent Systems [25.882461853973897]
  本稿では、相対報酬の利点を推定して政策更新を導くマルチエージェント不均一グループ政策最適化(MHGPO)を提案する。 MHGPOは、批判的ネットワークの必要性を排除し、安定性を向上し、計算オーバーヘッドを減らす。 また,効率性と有効性を両立させる3つのグループロールアウトサンプリング戦略も導入する。
  論文  参考訳（メタデータ） (2025-06-03T10:17:19Z)
• The Real Barrier to LLM Agent Usability is Agentic ROI [110.31127571114635]
  大規模言語モデル(LLM)エージェントは、人間とAIの相互作用において有望な変化を示す。 我々は、需要の高いマスマーケットアプリケーションにおいて、重要なユーザビリティギャップを強調します。
  論文  参考訳（メタデータ） (2025-05-23T11:40:58Z)
• SRAP-Agent: Simulating and Optimizing Scarce Resource Allocation Policy with LLM-based Agent [45.41401816514924]
  本稿では,大規模言語モデル(LLM)を経済シミュレーションに統合する,革新的なフレームワークSRAP-Agentを提案する。 我々は、SRAP-Agentの有効性と有効性を検証するために、広範な政策シミュレーション実験を行う。
  論文  参考訳（メタデータ） (2024-10-18T03:43:42Z)
• Truthful Aggregation of LLMs with an Application to Online Advertising [11.552000005640203]
  広告主にとって真の報告が支配的な戦略であることを確実にするオークション機構であるMOSAICを導入する。 我々はMOSAICが計算オーバーヘッドの少ない広告価値とプラットフォーム収益をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-05-09T17:01:31Z)
• Enhancing the Efficiency and Accuracy of Underlying Asset Reviews in Structured Finance: The Application of Multi-agent Framework [3.022596401099308]
  AIは、ローンアプリケーションと銀行のステートメント間の情報の検証を効果的に自動化できることを示します。 この研究は、手動エラーを最小限に抑え、デューディリジェンスを合理化するAIの可能性を強調し、財務文書分析とリスク管理におけるAIの幅広い応用を示唆している。
  論文  参考訳（メタデータ） (2024-05-07T13:09:49Z)
• DS-Agent: Automated Data Science by Empowering Large Language Models with Case-Based Reasoning [56.887047551101574]
  大規模言語モデル(LLM)エージェントとケースベース推論(CBR)を利用した新しいフレームワークであるDS-Agentを提案する。 開発段階では、DS-AgentはCBRフレームワークに従い、自動イテレーションパイプラインを構築する。 デプロイメントの段階では、DS-Agentは、シンプルなCBRパラダイムで低リソースのデプロイメントステージを実装し、LCMの基本能力に対する需要を大幅に削減する。
  論文  参考訳（メタデータ） (2024-02-27T12:26:07Z)

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。