論文の概要: AnyMAC: Cascading Flexible Multi-Agent Collaboration via Next-Agent Prediction

• arxiv url: http://arxiv.org/abs/2506.17784v1
• Date: Sat, 21 Jun 2025 18:34:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.583765
• Title: AnyMAC: Cascading Flexible Multi-Agent Collaboration via Next-Agent Prediction
• Title（参考訳）: AnyMAC: 次世代予測によるフレキシブルなマルチエージェントコラボレーション
• Authors: Song Wang, Zhen Tan, Zihan Chen, Shuang Zhou, Tianlong Chen, Jundong Li,
• Abstract要約: 本稿では,グラフ構造ではなくシーケンシャル構造を用いて,マルチエージェント協調を再考するフレームワークを提案する。 提案手法は,(1)各ステップで最も適したエージェントロールを選択するNext-Agent Predictionと,(2)各エージェントが前ステップから関連する情報にアクセスできるようにするNext-Context Selectionの2つの重要な方向に焦点を当てる。
• 参考スコア（独自算出の注目度）: 70.60422261117816
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent progress in large language model (LLM)-based multi-agent collaboration highlights the power of structured communication in enabling collective intelligence. However, existing methods largely rely on static or graph-based inter-agent topologies, lacking the potential adaptability and flexibility in communication. In this work, we propose a new framework that rethinks multi-agent coordination through a sequential structure rather than a graph structure, offering a significantly larger topology space for multi-agent communication. Our method focuses on two key directions: (1) Next-Agent Prediction, which selects the most suitable agent role at each step, and (2) Next-Context Selection (NCS), which enables each agent to selectively access relevant information from any previous step. Together, these components construct task-adaptive communication pipelines that support both role flexibility and global information flow. Extensive evaluations across multiple benchmarks demonstrate that our approach achieves superior performance while substantially reducing communication overhead.
• Abstract（参考訳）: 大規模言語モデル(LLM)に基づくマルチエージェントコラボレーションの最近の進歩は、集団知性を実現するための構造化通信の力を強調している。 しかし、既存の手法は主に静的またはグラフベースのエージェント間トポロジーに依存しており、通信の潜在的な適応性と柔軟性に欠ける。 本研究では,グラフ構造ではなく逐次構造を用いてマルチエージェント協調を再考し,マルチエージェント通信のためのトポロジ空間を著しく拡大するフレームワークを提案する。 提案手法は,(1)各ステップで最も適したエージェントロールを選択するNext-Agent Predictionと,(2)各エージェントが前ステップから関連する情報に選択的にアクセスできるNext-Context Selection(NCS)の2つの主要な方向に焦点を当てる。 これらのコンポーネントは、役割の柔軟性とグローバル情報フローの両方をサポートするタスク適応型通信パイプラインを構築する。 複数のベンチマークにまたがる広範囲な評価により,本手法は通信オーバーヘッドを大幅に低減しつつ,優れた性能を実現することが示された。

関連論文リスト

• 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)
• Exponential Topology-enabled Scalable Communication in Multi-agent Reinforcement Learning [9.48183472865413]
  協調型マルチエージェント強化学習(MARL)のためのスケーラブルな通信プロトコルを開発する。 本稿では,この指数的トポロジを利用して,その小径特性と小径特性を活用し,エージェント間の迅速な情報伝達を実現することを提案する。 MAgentやInfrastructure Management Planningといった大規模協調型ベンチマークの実験は、ExpoCommの優れた性能と堅牢なゼロショット転送性を示している。
  論文  参考訳（メタデータ） (2025-02-27T03:15:31Z)
• Communication Learning in Multi-Agent Systems from Graph Modeling Perspective [62.13508281188895]
  本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。 本稿では,各エージェントに対して時間的ゲーティング機構を導入し,ある時間に共有情報を受信するかどうかの動的決定を可能にする。
  論文  参考訳（メタデータ） (2024-11-01T05:56:51Z)
• Learning Multi-Agent Communication from Graph Modeling Perspective [62.13508281188895]
  本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。 提案手法であるCommFormerは,通信グラフを効率よく最適化し,勾配降下によるアーキテクチャパラメータをエンドツーエンドで並列に洗練する。
  論文  参考訳（メタデータ） (2024-05-14T12:40:25Z)
• Multi-agent Deep Covering Skill Discovery [50.812414209206054]
  本稿では,複数エージェントの結合状態空間の予測被覆時間を最小化し,マルチエージェントオプションを構築するマルチエージェントDeep Covering Option Discoveryを提案する。 また、MARLプロセスにマルチエージェントオプションを採用するための新しいフレームワークを提案する。 提案アルゴリズムは,アテンション機構とエージェントの相互作用を効果的に把握し,マルチエージェントオプションの同定に成功した。
  論文  参考訳（メタデータ） (2022-10-07T00:40:59Z)
• Multi-Agent Coordination via Multi-Level Communication [29.388570369796586]
  シークエンシャル・コミュニケーション(SeqComm)という新しいマルチレベル通信方式を提案する。 本稿では,新しいマルチレベル通信方式であるSeqCommを提案する。
  論文  参考訳（メタデータ） (2022-09-26T14:08:03Z)
• Multi-agent Communication with Graph Information Bottleneck under Limited Bandwidth (a position paper) [92.11330289225981]
  多くの実世界のシナリオでは、通信は高価であり、マルチエージェントシステムの帯域幅には一定の制約がある。 通信資源を占有する冗長なメッセージは、情報的メッセージの送信をブロックし、パフォーマンスを損なう。 本稿では,通信グラフ内の構造情報とノード情報を効果的に圧縮し,帯域幅に制約のある設定に対処する,新しいマルチエージェント通信モジュールCommGIBを提案する。
  論文  参考訳（メタデータ） (2021-12-20T07:53:44Z)
• Specializing Inter-Agent Communication in Heterogeneous Multi-Agent Reinforcement Learning using Agent Class Information [1.713291434132985]
  本稿では,マルチエージェント通信機能を有向ラベルエージェントグラフとして表現することを提案する。 また,完全協調型マルチエージェントタスクにおけるコミュニケーションを専門とするニューラルネットワークアーキテクチャも導入する。
  論文  参考訳（メタデータ） (2020-12-14T15:09:57Z)

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。