論文の概要: Orchestrator: Active Inference for Multi-Agent Systems in Long-Horizon Tasks

• arxiv url: http://arxiv.org/abs/2509.05651v1
• Date: Sat, 06 Sep 2025 09:03:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.630605
• Title: Orchestrator: Active Inference for Multi-Agent Systems in Long-Horizon Tasks
• Title（参考訳）: Orchestrator: 長距離タスクにおけるマルチエージェントシステムのアクティブ推論
• Authors: Lukas Beckenbauer, Johannes-Lucas Loewe, Ge Zheng, Alexandra Brintrup,
• Abstract要約: 複雑で非線形なタスクは、部分的な可観測性と準最適調整のためにマルチエージェントシステム(MAS)に挑戦する。 我々は,グローバルなタスク性能を最適化するために,アテンションにインスパイアされた自己創発的コーディネーションと反射型ベンチマークを活用する新しいMASフレームワークであるOrchestratorを提案する。 本研究では, 複雑度を増大させる一連の迷路パズルの枠組みを評価し, 長期的目的を持つ動的非線形環境におけるコーディネーションと性能向上の有効性を実証した。
• 参考スコア（独自算出の注目度）: 47.3494579474486
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complex, non-linear tasks challenge LLM-enhanced multi-agent systems (MAS) due to partial observability and suboptimal coordination. We propose Orchestrator, a novel MAS framework that leverages attention-inspired self-emergent coordination and reflective benchmarking to optimize global task performance. Orchestrator introduces a monitoring mechanism to track agent-environment dynamics, using active inference benchmarks to optimize system behavior. By tracking agent-to-agent and agent-to-environment interaction, Orchestrator mitigates the effects of partial observability and enables agents to approximate global task solutions more efficiently. We evaluate the framework on a series of maze puzzles of increasing complexity, demonstrating its effectiveness in enhancing coordination and performance in dynamic, non-linear environments with long-horizon objectives.
• Abstract（参考訳）: 複雑で非線形なタスクは、部分的な可観測性と準最適調整のためにLLM強化マルチエージェントシステム(MAS)に挑戦する。 我々は,グローバルなタスク性能を最適化するために,アテンションにインスパイアされた自己創発的コーディネーションと反射型ベンチマークを活用する新しいMASフレームワークであるOrchestratorを提案する。 Orchestratorはエージェント環境のダイナミクスを追跡するための監視メカニズムを導入し、アクティブな推論ベンチマークを使用してシステムの振る舞いを最適化する。 エージェント対エージェントとエージェント対環境相互作用を追跡することで、Orchestratorは部分的な可観測性の影響を緩和し、エージェントがグローバルなタスクソリューションをより効率的に近似できるようにする。 本研究では, 複雑度を増大させる一連の迷路パズルの枠組みを評価し, 長期的目的を持つ動的非線形環境におけるコーディネーションと性能向上の有効性を実証した。

関連論文リスト

• Pushing Forward Pareto Frontiers of Proactive Agents with Behavioral Agentic Optimization [61.641777037967366]
  プロアクティブな大規模言語モデル(LLM)エージェントは、複数のターンで積極的に計画し、クエリし、相互作用することを目的としている。 エージェント強化学習(RL)は、マルチターン環境でエージェントを訓練するための有望なソリューションとして登場した。 本稿では,行動強化と情報収集能力の強化を両立させたエージェントRLフレームワークであるBAOを提案する。
  論文  参考訳（メタデータ） (2026-02-11T20:40:43Z)
• CORE:Toward Ubiquitous 6G Intelligence Through Collaborative Orchestration of Large Language Model Agents Over Hierarchical Edge [28.17507879390089]
  Collaborative Orchestration Role at Edge (CORE)は、複数の大規模言語モデル(LLM)がモバイルデバイスとエッジサーバに分散される、協調的な学習システムである。 このシステムはリアルタイム認識、ダイナミックロールオーケストレーション、パイプライン並列実行を統合し、分散エージェント間の効率的かつ迅速なコラボレーションを容易にする。
  論文  参考訳（メタデータ） (2026-01-29T15:08:19Z)
• ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
  6Gネットワークは複雑な層間最適化に依存している。 数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。 我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
  論文  参考訳（メタデータ） (2026-01-27T13:43:59Z)
• MAS-Orchestra: Understanding and Improving Multi-Agent Reasoning Through Holistic Orchestration and Controlled Benchmarks [86.05918381895555]
  関数呼び出し強化学習問題としてMASオーケストレーションを定式化する訓練時間フレームワークとしてMASOrchestraを提案する。 MAS-Orchestraでは、複雑なゴール指向のサブエージェントは呼び出し可能な関数として抽象化され、システム構造に対する大域的推論を可能にする。 分析の結果,MASはタスク構造や検証プロトコル,オーケストレータとサブエージェントの両方の機能に大きく依存していることが判明した。
  論文  参考訳（メタデータ） (2026-01-21T04:57:02Z)
• Agentic Reinforced Policy Optimization [66.96989268893932]
  検証可能な報酬付き大規模強化学習(RLVR)は,大規模言語モデル(LLM)を単一ターン推論タスクに活用する効果を実証している。 現在のRLアルゴリズムは、モデル固有のロングホライゾン推論能力と、マルチターンツールインタラクションにおけるその習熟性のバランスが不十分である。 エージェント強化ポリシー最適化(ARPO: Agentic Reinforced Policy Optimization)は,マルチターンLDMエージェントを学習するためのエージェントRLアルゴリズムである。
  論文  参考訳（メタデータ） (2025-07-26T07:53:11Z)
• Parallelism Meets Adaptiveness: Scalable Documents Understanding in Multi-Agent LLM Systems [0.8437187555622164]
  大規模言語モデル(LLM)エージェントは、協調的なタスク補完の約束が増していることを示している。 既存のマルチエージェントフレームワークは、静的で固定されたロールと限定的なエージェント間通信に依存していることが多い。 本稿では,3つのコア機構による適応性を実現するための協調フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-22T22:42:51Z)
• Application of LLM Guided Reinforcement Learning in Formation Control with Collision Avoidance [1.1718316049475228]
  マルチエージェントシステム(Multi-Agent Systems、MAS)は、個々のエージェントの協調作業を通じて複雑な目的を達成する。 本稿では,効果的な報酬関数を設計する上での課題を克服する新しい枠組みを提案する。 タスクの優先順位付けにおいて,大規模言語モデル(LLM)を付与することにより,オンライン上で動的に調整可能な報酬関数を生成する。
  論文  参考訳（メタデータ） (2025-07-22T09:26:00Z)
• AgentOrchestra: A Hierarchical Multi-Agent Framework for General-Purpose Task Solving [28.87376403573416]
  本稿では,汎用タスク解決のための階層型マルチエージェントフレームワークであるAgentOrchestraを紹介する。 複雑な目的を分解し、サブタスクを専門エージェントのチームに委譲する中央計画エージェントが特徴である。 LLMをベースとしたエージェントシステムを評価するために,このフレームワークを3つの広く使用されているベンチマークで評価する。
  論文  参考訳（メタデータ） (2025-06-14T13:45:37Z)
• Multi-Agent Collaboration via Evolving Orchestration [61.93162413517026]
  大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。 LLMをベースとしたマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し、中央オーケストレータがタスク状態の進化に応じてエージェントを動的に指示する。 クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2025-05-26T07:02:17Z)
• Neural Orchestration for Multi-Agent Systems: A Deep Learning Framework for Optimal Agent Selection in Multi-Domain Task Environments [0.8287206589886881]
  マルチドメインタスク環境における最適なエージェント選択のためのニューラルネットワークフレームワークであるMetaOrchを提案する。 ファジィ評価モジュールは、完全性、妥当性、信頼度に沿ってエージェント応答をスコアし、オーケストレータを訓練するためのソフトインスペクタラベルを生成する。 異種剤を用いた模擬環境実験により, 提案手法が86.3%の選択精度を達成できた。
  論文  参考訳（メタデータ） (2025-05-03T02:58:25Z)
• AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors [93.38830440346783]
  本稿では,その構成をより高機能なシステムとして協調的に調整できるマルチエージェントフレームワークを提案する。 実験により,フレームワークが単一エージェントより優れたマルチエージェントグループを効果的に展開できることが実証された。 これらの振舞いの観点から、我々は、ポジティブなものを活用し、ネガティブなものを緩和し、マルチエージェントグループの協調可能性を改善するためのいくつかの戦略について議論する。
  論文  参考訳（メタデータ） (2023-08-21T16:47:11Z)

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。