論文の概要: Trust Semantics Distillation for Collaborator Selection via Memory-Augmented Agentic AI

• arxiv url: http://arxiv.org/abs/2509.08151v1
• Date: Tue, 09 Sep 2025 21:18:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.250809
• Title: Trust Semantics Distillation for Collaborator Selection via Memory-Augmented Agentic AI
• Title（参考訳）: メモリ拡張エージェントAIによるコラボレータ選択のためのトラストセマンティクス蒸留
• Authors: Botao Zhu, Jeslyn Wang, Dusit Niyato, Xianbin Wang,
• Abstract要約: 本稿では,大規模AIモデル(LAM)に基づく教師・学生エージェントアーキテクチャに基づくタスク固有の信頼度セマンティックス蒸留モデルを提案する。 提案した2TSDモデルでは,協調者評価時間を短縮し,機器資源消費量を削減し,協調者選択の精度を向上させることができる。
• 参考スコア（独自算出の注目度）: 51.4138877170325
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate trustworthiness evaluation of potential collaborating devices is essential for the effective execution of complex computing tasks. This evaluation process involves collecting diverse trust-related data from potential collaborators, including historical performance and available resources, for collaborator selection. However, when each task owner independently assesses all collaborators' trustworthiness, frequent data exchange, complex reasoning, and dynamic situation changes can result in significant overhead and deteriorated trust evaluation. To overcome these challenges, we propose a task-specific trust semantics distillation (2TSD) model based on a large AI model (LAM)-driven teacher-student agent architecture. The teacher agent is deployed on a server with powerful computational capabilities and an augmented memory module dedicated to multidimensional trust-related data collection, task-specific trust semantics extraction, and task-collaborator matching analysis. Upon receiving task-specific requests from device-side student agents, the teacher agent transfers the trust semantics of potential collaborators to the student agents, enabling rapid and accurate collaborator selection. Experimental results demonstrate that the proposed 2TSD model can reduce collaborator evaluation time, decrease device resource consumption, and improve the accuracy of collaborator selection.
• Abstract（参考訳）: 複雑な計算タスクを効果的に実行するためには、潜在的な協調装置の正確な信頼性評価が不可欠である。 この評価プロセスは、コラボレータの選択のために、過去のパフォーマンスや利用可能なリソースを含む、潜在的なコラボレータから多様な信頼関連データを収集する。 しかし、各タスクオーナが独立して、すべてのコラボレータの信頼性、頻繁なデータ交換、複雑な推論、動的状況の変化を評価すれば、オーバーヘッドが大きくなり、信頼評価が悪化する可能性がある。 これらの課題を克服するために,大規模AIモデル(LAM)に基づく教師学習型エージェントアーキテクチャに基づくタスク固有信頼セマンティックス蒸留(2TSD)モデルを提案する。 教師エージェントは、強力な計算能力を有するサーバに展開され、多次元信頼関連データ収集、タスク固有の信頼セマンティクス抽出、タスク協調者マッチング分析専用の拡張メモリモジュールを備える。 デバイス側学生エージェントからタスク固有の要求を受けると、教師エージェントは潜在的協力者の信頼意味を学生エージェントに転送し、迅速かつ正確な協力者選択を可能にする。 実験結果から,提案した2TSDモデルにより,協調者評価時間を短縮し,機器資源消費量を低減し,協調者選択の精度を向上できることが示された。

関連論文リスト

• Semantic Chain-of-Trust: Autonomous Trust Orchestration for Collaborator Selection via Hypergraph-Aided Agentic AI [57.58120823855315]
  本稿では,新たなセマンティック・チェーン・オブ・トラストの概念に基づく自律的信頼オーケストレーション手法を提案する。 我々の技術はエージェントAIとハイパーグラフを用いてデバイス間の信頼関係を確立し維持する。 実験により,提案手法が資源効率の高い信頼評価を実現することを示す。
  論文  参考訳（メタデータ） (2025-07-31T13:53:25Z)
• Chain-of-Trust: A Progressive Trust Evaluation Framework Enabled by Generative AI [20.02079841777494]
  デバイス属性データをよりよく活用するために、信頼の連鎖フレームワークが提案されている。 このフレームワークは、信頼評価プロセスをタスク分解に基づく連鎖ステージに分割する。 生成AIを使用して収集したデータを解析し、解釈し、正確な評価結果を生成する。
  論文  参考訳（メタデータ） (2025-06-20T16:33:03Z)
• Rapid and Continuous Trust Evaluation for Effective Task Collaboration Through Siamese Model [9.467463634233177]
  本稿では,効果的なタスクコラボレーションを促進するために,シームズ対応の迅速・連続信頼評価フレームワーク(SRCTE)を提案する。 実際のシステムは、2つのDell EMC 5200サーバとGoogle Pixel 8を使って構築され、提案されているSRCTEフレームワークの有効性をテストする。 実験結果から,SRCTEは少量のデータだけで急速に収束し,異常信頼検出率が高いことがわかった。
  論文  参考訳（メタデータ） (2025-06-20T16:30:59Z)
• Collaborative Gym: A Framework for Enabling and Evaluating Human-Agent Collaboration [51.452664740963066]
  Collaborative Gymは、エージェント、人間、タスク環境間の非同期で三分割的なインタラクションを可能にするフレームワークである。 シミュレーション条件と実環境条件の両方において,Co-Gymを3つの代表的なタスクでインスタンス化する。 その結果、協調作業員はタスクパフォーマンスにおいて、完全に自律的なエージェントよりも一貫して優れていたことが判明した。
  論文  参考訳（メタデータ） (2024-12-20T09:21:15Z)
• Decentralized and Lifelong-Adaptive Multi-Agent Collaborative Learning [57.652899266553035]
  分散型および生涯適応型多エージェント協調学習は、中央サーバを使わずに複数のエージェント間のコラボレーションを強化することを目的としている。 動的協調グラフを用いた分散マルチエージェント生涯協調学習アルゴリズムであるDeLAMAを提案する。
  論文  参考訳（メタデータ） (2024-03-11T09:21:11Z)
• Behaviour-conditioned policies for cooperative reinforcement learning tasks [41.74498230885008]
  現実世界の様々なタスクにおいて、エージェントは未知のパートナーエージェントタイプと協力する必要がある。 深層強化学習モデルは、必要な機能を提供するためにトレーニングすることができるが、サンプルの非効率性と遅い学習に苦しむことが知られている。 本研究では,行動パターンの異なるエージェントの集団を合成的に生成する手法を提案する。 また、生成されたデータを効率的に利用し、メタ学習能力を得ることができるエージェントアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-10-04T09:16:41Z)

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。