論文の概要: Knowledge Base-Aware Orchestration: A Dynamic, Privacy-Preserving Method for Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2509.19599v1
• Date: Tue, 23 Sep 2025 21:46:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.617541
• Title: Knowledge Base-Aware Orchestration: A Dynamic, Privacy-Preserving Method for Multi-Agent Systems
• Title（参考訳）: 知識ベースアウェアオーケストレーション:マルチエージェントシステムのための動的プライバシ保護手法
• Authors: Danilo Trombino, Vincenzo Pecorella, Alessandro de Giulii, Davide Tresoldi,
• Abstract要約: 我々はKBA(Knowledge Base-Aware)オーケストレーションを導入する。これは動的でプライバシを保存する関連信号で静的記述を強化する新しいアプローチである。 この機構を静的記述と組み合わせることで,より正確で適応的なタスクルーティングを実現する。 ベンチマークの結果、KBAオーケストレーションはルーティング精度とシステム全体の効率性において静的記述駆動手法よりも大幅に優れています。
• 参考スコア（独自算出の注目度）: 39.146761527401424
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent systems (MAS) are increasingly tasked with solving complex, knowledge-intensive problems where effective agent orchestration is critical. Conventional orchestration methods rely on static agent descriptions, which often become outdated or incomplete. This limitation leads to inefficient task routing, particularly in dynamic environments where agent capabilities continuously evolve. We introduce Knowledge Base-Aware (KBA) Orchestration, a novel approach that augments static descriptions with dynamic, privacy-preserving relevance signals derived from each agent's internal knowledge base (KB). In the proposed framework, when static descriptions are insufficient for a clear routing decision, the orchestrator prompts the subagents in parallel. Each agent then assesses the task's relevance against its private KB, returning a lightweight ACK signal without exposing the underlying data. These collected signals populate a shared semantic cache, providing dynamic indicators of agent suitability for future queries. By combining this novel mechanism with static descriptions, our method achieves more accurate and adaptive task routing preserving agent autonomy and data confidentiality. Benchmarks show that our KBA Orchestration significantly outperforms static description-driven methods in routing precision and overall system efficiency, making it suitable for large-scale systems that require higher accuracy than standard description-driven routing.
• Abstract（参考訳）: マルチエージェントシステム(MAS)は、効果的なエージェントオーケストレーションが重要となる複雑な知識集約的な問題を解決するタスクが増えている。 従来のオーケストレーション手法は静的なエージェント記述に依存しており、古いものや不完全なものが多い。 この制限は、特にエージェント機能が継続的に進化する動的環境において、非効率なタスクルーティングをもたらす。 我々は,各エージェントの内部知識ベース(KB)から得られる動的でプライバシ保護の関連性信号を用いて静的記述を増強する,知識ベースアウェア(KBA)オーケストレーションを導入する。 提案フレームワークでは、明確なルーティング決定のために静的記述が不十分な場合、オーケストレータはサブエージェントを並列にプロンプトする。 各エージェントはタスクの関連性をプライベートKBに対して評価し、基礎となるデータを公開せずに軽量のACK信号を返す。 これらの収集された信号は共有セマンティックキャッシュを発生させ、将来のクエリに対するエージェント適合性の動的指標を提供する。 この機構を静的な記述と組み合わせることで,エージェントの自律性とデータ機密性を保持するタスクルーティングをより正確かつ適応的に行うことができる。 ベンチマークの結果、KBAオーケストレーションはルーティングの精度とシステム全体の効率において静的記述駆動の手法よりも大幅に優れており、標準的な記述駆動のルーティングよりも高い精度を必要とする大規模システムに適していることが示された。

関連論文リスト

• STARec: An Efficient Agent Framework for Recommender Systems via Autonomous Deliberate Reasoning [54.28691219536054]
  我々は、自律的な熟考的推論機能を備えたレコメンデータシステムを支援する、ゆっくり考えられた拡張エージェントフレームワークSTARecを紹介する。 我々は,先進的推論モデルと嗜好整合型報酬形成から構造化知識の蒸留を組み合わせた2段階のパラダイムであるアンカー強化訓練を開発する。 MovieLens 1MとAmazon CDsベンチマークの実験では、STARecは最先端のベースラインと比較して、大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-08-26T08:47:58Z)
• Multi-Agent Reinforcement Learning for Adaptive Resource Orchestration in Cloud-Native Clusters [0.0]
  本稿では,クラウドネイティブデータベースシステムにおける高資源ダイナミズムとスケジューリング複雑性の課題に対処する。 マルチエージェント強化学習に基づく適応的資源オーケストレーション手法を提案する。
  論文  参考訳（メタデータ） (2025-08-14T00:43:20Z)
• MCP-Orchestrated Multi-Agent System for Automated Disinformation Detection [84.75972919995398]
  本稿では,関係抽出を用いてニュース記事の偽情報を検出するマルチエージェントシステムを提案する。 提案したエージェントAIシステムは、(i)機械学習エージェント(ロジスティック回帰)、(ii)Wikipedia知識チェックエージェント、(iv)Webスクラッドデータアナライザの4つのエージェントを組み合わせる。 その結果、マルチエージェントアンサンブルはF1スコア0.964で95.3%の精度を達成し、個々のエージェントや従来のアプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-08-13T19:14:48Z)
• RCR-Router: Efficient Role-Aware Context Routing for Multi-Agent LLM Systems with Structured Memory [57.449129198822476]
  RCRは、マルチエージェント大言語モデル(LLM)システムのためのロールアウェアコンテキストルーティングフレームワークである。 役割とタスクステージに基づいて、各エージェントに対して意味的に関連するメモリサブセットを動的に選択する。 軽量スコアリングポリシは、メモリ選択をガイドし、エージェント出力を共有メモリストアに統合する。
  論文  参考訳（メタデータ） (2025-08-06T21:59:34Z)
• 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)

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。