論文の概要: (P)rior(D)yna(F)low: A Priori Dynamic Workflow Construction via Multi-Agent Collaboration

• arxiv url: http://arxiv.org/abs/2509.14547v1
• Date: Thu, 18 Sep 2025 02:24:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.029096
• Title: (P)rior(D)yna(F)low: A Priori Dynamic Workflow Construction via Multi-Agent Collaboration
• Title（参考訳）: (P)rior(D)yna(F)low:マルチエージェント協調による事前動的ワークフロー構築
• Authors: Yi Lin, Lujin Zhao, Yijie Shi,
• Abstract要約: 本稿では,ワークフローの自動構築のための事前動的フレームワークを提案する。 われわれのフレームワークはまずQテーブル学習を利用して意思決定空間を最適化する。 エージェントは現在のタスクの進捗を評価し、次のエージェントの実行について優先順位を決定する。
• 参考スコア（独自算出の注目度）: 3.237250457954442
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent studies have shown that carefully designed workflows coordinating large language models(LLMs) significantly enhance task-solving capabilities compared to using a single model. While an increasing number of works focus on autonomous workflow construction, most existing approaches rely solely on historical experience, leading to limitations in efficiency and adaptability. We argue that while historical experience is valuable, workflow construction should also flexibly respond to the unique characteristics of each task. To this end, we propose an a priori dynamic framework for automated workflow construction. Our framework first leverages Q-table learning to optimize the decision space, guiding agent decisions and enabling effective use of historical experience. At the same time, agents evaluate the current task progress and make a priori decisions regarding the next executing agent, allowing the system to proactively select the more suitable workflow structure for each given task. Additionally, we incorporate mechanisms such as cold-start initialization, early stopping, and pruning to further improve system efficiency. Experimental evaluations on four benchmark datasets demonstrate the feasibility and effectiveness of our approach. Compared to state-of-the-art baselines, our method achieves an average improvement of 4.05%, while reducing workflow construction and inference costs to only 30.68%-48.31% of those required by existing methods.
• Abstract（参考訳）: 近年の研究では,大規模言語モデル(LLM)を協調するワークフローが,単一モデルに比べてタスク解決能力を大幅に向上することが示されている。 自律的なワークフロー構築に注目する作業が増えている一方で、既存のアプローチのほとんどは、過去の経験にのみ依存しているため、効率性と適応性に制限がある。 歴史的経験は価値があるが、ワークフローの構築は各タスクのユニークな特徴に柔軟に対応すべきである、と我々は主張する。 そこで本研究では,ワークフローの自動構築のための事前動的フレームワークを提案する。 我々のフレームワークはまずQテーブル学習を利用して意思決定空間を最適化し、エージェントの決定を導き、歴史的経験を効果的に活用する。 同時に、エージェントは現在のタスク進捗を評価し、次の実行エージェントに関する優先順位決定を行い、各タスクに対してより適切なワークフロー構造を積極的に選択することができる。 さらに, コールドスタート初期化, 早期停止, プルーニングなどの機構を導入し, システム効率の向上を図る。 4つのベンチマークデータセットを実験により評価し,本手法の有効性と有効性を示した。 現状のベースラインと比較して,本手法はワークフロー構築と推論コストを30.68%～48.31%に削減し,平均4.05%の改善を実現している。

関連論文リスト

• Turning Conversations into Workflows: A Framework to Extract and Evaluate Dialog Workflows for Service AI Agents [65.36060818857109]
  本稿では,過去の対話から対話を抽出し,評価するための新しい枠組みを提案する。 抽出プロセスは,(1)重要な手続き的要素に基づいて関連する会話を選択するための検索ステップ,(2)質問応答に基づくチェーン・オブ・シークレット(QA-CoT)プロンプトを用いた構造化ワークフロー生成プロセスの2つの主要な段階から構成される。
  論文  参考訳（メタデータ） (2025-02-24T16:55:15Z)
• Flow: Modularized Agentic Workflow Automation [53.073598156915615]
  大規模言語モデル(LLM)を利用したマルチエージェントフレームワークは、自動計画とタスク実行において大きな成功を収めている。 しかし, 実行中のエージェントの効果的な調整は十分に研究されていない。 本稿では,エージェントによる継続的なワークフロー改善を可能にするアクティビティ・オン・頂点(AOV)グラフを定義する。 提案するマルチエージェントフレームワークは,サブタスクの効率的な同時実行,効果的なゴール達成,エラー耐性の向上を実現している。
  論文  参考訳（メタデータ） (2025-01-14T04:35:37Z)
• AFlow: Automating Agentic Workflow Generation [36.61172223528231]
  大規模言語モデル(LLM)は、様々な領域にわたる複雑なタスクを解く上で、顕著な可能性を示している。 我々は、Monte Carlo Tree Searchを使って、この空間を効率的に探索する自動化フレームワークであるAFlowを紹介します。 6つのベンチマークデータセットに対する実証的な評価は、AFlowの有効性を示し、最先端のベースラインよりも平均5.7%向上している。
  論文  参考訳（メタデータ） (2024-10-14T17:40:40Z)
• Benchmarking Agentic Workflow Generation [80.74757493266057]
  複数面シナリオと複雑なグラフワークフロー構造を備えた統合ワークフロー生成ベンチマークであるWorfBenchを紹介する。 また,サブシーケンスとサブグラフマッチングアルゴリズムを利用したシステム評価プロトコルWorfEvalを提案する。 我々は、生成されたタスクが下流のタスクを強化し、推論中により少ない時間で優れたパフォーマンスを達成することを観察する。
  論文  参考訳（メタデータ） (2024-10-10T12:41:19Z)
• Toward Efficient Automated Feature Engineering [27.47868891738917]
  自動特徴工学(AFE)は、下流タスクのための最適な特徴集合を自動生成し、選択することを指す。 現在のAFE手法は、主に生成された機能の有効性の改善に重点を置いているが、大規模展開における低効率の問題を無視している。 強化学習設定に基づいてAFEパイプラインを構築し,各特徴をエージェントに割り当てて特徴変換を行う。 分類タスクと回帰タスクの両方の観点から,36のデータセットに関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2022-12-26T13:18:51Z)

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。