論文の概要: MAPGD: Multi-Agent Prompt Gradient Descent for Collaborative Prompt Optimization

• arxiv url: http://arxiv.org/abs/2509.11361v1
• Date: Sun, 14 Sep 2025 17:28:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.049343
• Title: MAPGD: Multi-Agent Prompt Gradient Descent for Collaborative Prompt Optimization
• Title（参考訳）: MAPGD:協調型プロンプト最適化のためのマルチエージェントプロンプト勾配
• Authors: Yichen Han, Bojun Liu, Zhengpeng zhou, Guanyu Liu, Zeng Zhang, Yang Yang, Wenli Wang, Isaac N Shi, Yunyan, Lewei He, Tianyu Shi,
• Abstract要約: 我々は,多エージェント協調と勾配に基づく最適化を統合したMAPGD(Multi-Agent Prompt Gradient Descent)を提案する。 MAPGDは、タスクの明確さ、例の選択、フォーマット設計、スタイリスティックな洗練のための特殊エージェントを特徴としている。 分類、生成、推論タスクの実験では、MAPGDは単一エージェントとランダムベースラインを精度と効率で上回っている。
• 参考スコア（独自算出の注目度）: 9.21188618683567
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prompt engineering is crucial for leveraging large language models (LLMs), but existing methods often rely on a single optimization trajectory, limiting adaptability and efficiency while suffering from narrow perspectives, gradient conflicts, and high computational cost. We propose MAPGD (Multi-Agent Prompt Gradient Descent), a framework integrating multi-agent collaboration with gradient-based optimization. MAPGD features specialized agents for task clarity, example selection, format design, and stylistic refinement; semantic gradient coordination to resolve conflicts; bandit-based candidate selection for efficient exploration-exploitation; and theoretical convergence guarantees. Experiments on classification, generation, and reasoning tasks show MAPGD outperforms single-agent and random baselines in accuracy and efficiency. Ablations confirm the benefits of gradient fusion, agent specialization, and conflict resolution, providing a unified, gradient-inspired multi-agent approach to robust and interpretable prompt optimization.
• Abstract（参考訳）: プロンプトエンジニアリングは、大きな言語モデル(LLM)を活用するために不可欠であるが、既存の手法は、狭い視点、勾配の矛盾、高い計算コストに悩まされながら、適応性と効率を制限し、単一の最適化軌道に依存することが多い。 我々は,多エージェント協調と勾配に基づく最適化を統合したMAPGD(Multi-Agent Prompt Gradient Descent)を提案する。 MAPGDは、タスクの明確性、例の選択、形式設計、スタイリスティックな洗練、紛争解決のためのセマンティックな勾配調整、効率的な探索-探索のためのバンドベースの候補選択、理論的収束保証のための特殊エージェントを特徴としている。 分類、生成、推論タスクの実験では、MAPGDは単一エージェントとランダムベースラインを精度と効率で上回っている。 アブレーションは、グラデーション融合、エージェント特殊化、コンフリクト解決の利点を確認し、ロバストで解釈可能なプロンプト最適化に対する統一的でグラデーションにインスパイアされたマルチエージェントアプローチを提供する。

関連論文リスト

• Collab: Controlled Decoding using Mixture of Agents for LLM Alignment [90.6117569025754]
  人間のフィードバックからの強化学習は、大規模言語モデルを整合させる効果的な手法として現れてきた。 制御された復号化は、再訓練せずに推論時にモデルを整列するメカニズムを提供する。 本稿では,既存の既成のLCMポリシを活用するエージェントベースのデコーディング戦略の混合を提案する。
  論文  参考訳（メタデータ） (2025-03-27T17:34:25Z)
• Learning to Solve the Min-Max Mixed-Shelves Picker-Routing Problem via Hierarchical and Parallel Decoding [0.3867363075280544]
  混合棚ピッカールーティング問題(MSPRP)はロジスティクスにおける基本的な課題であり、ピッカーはSKUを効率的に回収するために混合棚環境をナビゲートする必要がある。 マルチエージェント強化学習により,MSPRPのmin-max変異を解くための新しい階層的並列デコーディング手法を提案する。 実験では、特に大規模およびアウト・オブ・ディストリビューションインスタンスにおいて、ソリューションの品質と推論速度の両方で最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-02-14T15:42:30Z)
• Near-Optimal Online Learning for Multi-Agent Submodular Coordination: Tight Approximation and Communication Efficiency [52.60557300927007]
  離散部分モジュラー問題を連続的に最適化するために,$textbfMA-OSMA$アルゴリズムを提案する。 また、一様分布を混合することによりKLの発散を効果的に活用する、プロジェクションフリーな$textbfMA-OSEA$アルゴリズムも導入する。 我々のアルゴリズムは最先端OSGアルゴリズムによって提供される$(frac11+c)$-approximationを大幅に改善する。
  論文  参考訳（メタデータ） (2025-02-07T15:57:56Z)
• SPGD: Steepest Perturbed Gradient Descent Optimization [0.0]
  本稿では,Steepest Perturbed Gradient Descent (SPGD)アルゴリズムを提案する。 一連の候補解を生成し、最も急な損失差を示すものを選択するように設計されている。 予備結果は4つの確立された方法よりも大幅に改善された。
  論文  参考訳（メタデータ） (2024-11-07T18:23:30Z)
• Conflict-Averse Gradient Optimization of Ensembles for Effective Offline Model-Based Optimization [0.0]
  我々は、多重勾配降下アルゴリズム(MGDA)と競合逆勾配降下アルゴリズム(CAGrad)の2つの勾配情報を組み合わせたアルゴリズムを評価する。 以上の結果から,MGDAとCAGradは保存性と最適性の間に望ましいバランスを保ち,設計の最適性を損なうことなく,データ駆動型オフラインMBOの堅牢化に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-03-31T10:00:27Z)
• Multi-Agent Reinforcement Learning for Microprocessor Design Space Exploration [71.95914457415624]
  マイクロプロセッサアーキテクトは、高性能でエネルギー効率の追求において、ドメイン固有のカスタマイズにますます頼っている。 この問題に対処するために,Multi-Agent RL (MARL) を利用した別の定式化を提案する。 評価の結果,MARLの定式化は単エージェントRLのベースラインよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2022-11-29T17:10:24Z)
• An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
  分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。 本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-10-27T01:58:10Z)
• ECO-TR: Efficient Correspondences Finding Via Coarse-to-Fine Refinement [80.94378602238432]
  粗大な処理で対応性を見出すことにより、ECO-TR(Correspondence Efficient Transformer)と呼ばれる効率的な構造を提案する。 これを実現するために、複数の変圧器ブロックは段階的に連結され、予測された座標を徐々に洗練する。 種々のスパースタスクと密マッチングタスクの実験は、既存の最先端技術に対する効率性と有効性の両方において、我々の手法の優位性を実証している。
  論文  参考訳（メタデータ） (2022-09-25T13:05:33Z)
• Domain Adaptive Person Re-Identification via Coupling Optimization [58.567492812339566]
  ドメイン適応型人物再識別(ReID)は、ドメインのギャップとターゲットシナリオに対するアノテーションの不足のために困難である。 本稿では,ドメイン不変写像 (DIM) 法とグローバル局所距離最適化 (GLO) を含む結合最適化手法を提案する。 GLOはターゲットドメインの教師なし設定でReIDモデルをトレーニングするために設計されている。
  論文  参考訳（メタデータ） (2020-11-06T14:01:03Z)
• Optimizing Cooperative path-finding: A Scalable Multi-Agent RRT* with Dynamic Potential Fields [11.872579571976903]
  本研究では,多エージェントRT*ポテンシャル場(MA-RRT*PF)を提案する。 実験による評価は,MA-RRT*PFの高密度環境における従来のマルチエージェントRT* (MA-RRT*) よりも有意な優位性を示した。
  論文  参考訳（メタデータ） (2019-11-16T13:02:59Z)

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。