論文の概要: CausalMACE: Causality Empowered Multi-Agents in Minecraft Cooperative Tasks

• arxiv url: http://arxiv.org/abs/2508.18797v1
• Date: Tue, 26 Aug 2025 08:29:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.753016
• Title: CausalMACE: Causality Empowered Multi-Agents in Minecraft Cooperative Tasks
• Title（参考訳）: CausalMACE:Minecraft共同作業における因果性を利用したマルチエージェント
• Authors: Qi Chai, Zhang Zheng, Junlong Ren, Deheng Ye, Zichuan Lin, Hao Wang,
• Abstract要約: マルチエージェントシステムを強化するために設計された全体論的因果計画フレームワークCausalMACEを提案する。 提案フレームワークでは,グローバルなタスク計画のための包括的なタスクグラフと,依存性管理のための因果性ベースのモジュールの2つのモジュールを紹介した。 実験により,Minecraftのマルチエージェント協調作業における最先端性能を実証した。
• 参考スコア（独自算出の注目度）: 16.633868216217948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Minecraft, as an open-world virtual interactive environment, has become a prominent platform for research on agent decision-making and execution. Existing works primarily adopt a single Large Language Model (LLM) agent to complete various in-game tasks. However, for complex tasks requiring lengthy sequences of actions, single-agent approaches often face challenges related to inefficiency and limited fault tolerance. Despite these issues, research on multi-agent collaboration remains scarce. In this paper, we propose CausalMACE, a holistic causality planning framework designed to enhance multi-agent systems, in which we incorporate causality to manage dependencies among subtasks. Technically, our proposed framework introduces two modules: an overarching task graph for global task planning and a causality-based module for dependency management, where inherent rules are adopted to perform causal intervention. Experimental results demonstrate our approach achieves state-of-the-art performance in multi-agent cooperative tasks of Minecraft.
• Abstract（参考訳）: Minecraftは、オープンワールドのバーチャルインタラクティブ環境として、エージェントの意思決定と実行を研究するための重要なプラットフォームとなっている。 既存の作業は主に、ゲーム内での様々なタスクを完了するために、単一のLarge Language Model (LLM)エージェントを採用する。 しかしながら、アクションの長いシーケンスを必要とする複雑なタスクに対して、単一エージェントアプローチは、非効率性と限られた耐障害性に関連する課題に直面することが多い。 これらの問題にもかかわらず、マルチエージェントコラボレーションの研究はほとんどない。 本稿では,マルチエージェントシステムを強化するための総合的因果計画フレームワークCausalMACEを提案する。 技術的には,グローバルなタスク計画のための包括的なタスクグラフと,因果的介入を行うために固有のルールを採用する依存性管理のための因果的モジュールという2つのモジュールが提案されている。 実験により,Minecraftのマルチエージェント協調作業における最先端性能を実証した。

関連論文リスト

• Resolving Task Objective Conflicts in Unified Multimodal Understanding and Generation via Task-Aware Mixture-of-Experts [11.307588007047407]
  マルチモーダル・大規模言語モデル(MLLM)は、理解タスクと生成タスクを単一のフレームワークに統合する。 固有のタスク目的 理解における高レベルのセマンティックな抽象化と、生成時のきめ細かい詳細保存との間の対立は、重大な課題である。 タスク目的の衝突を解決するために,ARの内部コンポーネントを分離する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-06-04T05:44:21Z)
• Cross-Task Experiential Learning on LLM-based Multi-Agent Collaboration [63.90193684394165]
  マルチエージェント・クロスタスク体験学習(MAEL)は,LSM駆動型エージェントに明示的なクロスタスク学習と経験蓄積を付与する新しいフレームワークである。 経験的学習フェーズでは、タスク解決ワークフローの各ステップの品質を定量化し、その結果の報酬を記憶する。 推論中、エージェントは、各推論ステップの有効性を高めるために、いくつかの例として、高頻度のタスク関連体験を検索する。
  論文  参考訳（メタデータ） (2025-05-29T07:24:37Z)
• Agent-Oriented Planning in Multi-Agent Systems [54.429028104022066]
  マルチエージェントシステムにおけるエージェント指向計画のための新しいフレームワークであるAOPを提案する。 本研究では, エージェント指向計画の3つの重要な設計原則, 可解性, 完全性, 非冗長性を明らかにする。 大規模実験は,マルチエージェントシステムにおける単一エージェントシステムと既存の計画戦略と比較して,現実の問題を解決する上でのAOPの進歩を実証している。
  論文  参考訳（メタデータ） (2024-10-03T04:07:51Z)
• Efficient Adaptation in Mixed-Motive Environments via Hierarchical Opponent Modeling and Planning [51.52387511006586]
  本稿では,HOP(Hierarchical Opponent Modeling and Planning)を提案する。 HOPは階層的に2つのモジュールから構成される: 相手の目標を推論し、対応する目標条件のポリシーを学ぶ、反対モデリングモジュール。 HOPは、さまざまな未確認エージェントと相互作用する際、優れた少数ショット適応能力を示し、セルフプレイのシナリオで優れている。
  論文  参考訳（メタデータ） (2024-06-12T08:48:06Z)
• TDAG: A Multi-Agent Framework based on Dynamic Task Decomposition and Agent Generation [41.21899915378596]
  動的タスク分解・エージェント生成(TDAG)に基づくマルチエージェントフレームワークを提案する。 このフレームワークは複雑なタスクを小さなサブタスクに動的に分解し、それぞれが特定の生成されたサブエージェントに割り当てる。 ItineraryBenchは、さまざまな複雑さのタスク間でのメモリ、計画、ツール使用量のエージェントの能力を評価するように設計されている。
  論文  参考訳（メタデータ） (2024-02-15T18:27:37Z)
• MetaGPT: Meta Programming for A Multi-Agent Collaborative Framework [32.95727162682409]
  マルチエージェントコラボレーションに効率的な人間を取り入れた,革新的なメタプログラミングフレームワークであるMetaGPTを紹介する。 MetaGPTは、より合理化された検証のために、SOP(Standardized Operating Procedures)をプロンプトシーケンスにエンコードする。 協調ソフトウェアエンジニアリングベンチマークでは、MetaGPTは従来のチャットベースのマルチエージェントシステムよりも一貫性のあるソリューションを生成する。
  論文  参考訳（メタデータ） (2023-08-01T07:49:10Z)
• On the Complexity of Multi-Agent Decision Making: From Learning in Games to Partial Monitoring [105.13668993076801]
  マルチエージェント強化学習(MARL)理論における中心的な問題は、構造条件やアルゴリズムの原理がサンプル効率の学習保証につながるかを理解することである。 本稿では,複数のエージェントを用いた対話型意思決定のための一般的な枠組みとして,この問題について考察する。 マルチエージェント意思決定における統計的複雑性を特徴付けることは、単一エージェント決定の統計的複雑性を特徴付けることと等価であることを示す。
  論文  参考訳（メタデータ） (2023-05-01T06:46:22Z)
• ACE: Cooperative Multi-agent Q-learning with Bidirectional Action-Dependency [65.28061634546577]
  マルチエージェント強化学習(MARL)は非定常性問題に悩まされる。 本稿では,双方向行動依存型Q-ラーニング(ACE)を提案する。 ACEは、Google Research FootballとStarCraft Multi-Agent Challengeで最先端のアルゴリズムを上回っている。
  論文  参考訳（メタデータ） (2022-11-29T10:22:55Z)

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。