論文の概要: AutoMaAS: Self-Evolving Multi-Agent Architecture Search for Large Language Models
- arxiv url: http://arxiv.org/abs/2510.02669v1
- Date: Fri, 03 Oct 2025 01:57:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-06 16:35:52.23646
- Title: AutoMaAS: Self-Evolving Multi-Agent Architecture Search for Large Language Models
- Title（参考訳）: AutoMaAS: 大規模言語モデルのための自己進化型マルチエージェントアーキテクチャ検索
- Authors: Bo Ma, Hang Li, ZeHua Hu, XiaoFan Gui, LuYao Liu, Simon Liu,
- Abstract要約: AutoMaASは自己進化型マルチエージェントアーキテクチャ検索フレームワークである。
ニューラルネットワーク検索の原則を使用して、最適なエージェント構成を自動的に検出する。
1.0-7.1%の性能向上を実現し、最先端の手法と比較して推論コストを3～5%削減する。
- 参考スコア（独自算出の注目度）: 4.720605681761044
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-agent systems powered by large language models have demonstrated remarkable capabilities across diverse domains, yet existing automated design approaches seek monolithic solutions that fail to adapt resource allocation based on query complexity and domain requirements. This paper introduces AutoMaAS, a self-evolving multi-agent architecture search framework that leverages neural architecture search principles to automatically discover optimal agent configurations through dynamic operator lifecycle management and automated machine learning techniques. Our approach incorporates four key innovations: (1) automatic operator generation, fusion, and elimination based on performance-cost analysis, (2) dynamic cost-aware optimization with real-time parameter adjustment, (3) online feedback integration for continuous architecture refinement, and (4) enhanced interpretability through decision tracing mechanisms. Extensive experiments across six benchmarks demonstrate that AutoMaAS achieves 1.0-7.1\% performance improvement while reducing inference costs by 3-5\% compared to state-of-the-art methods. The framework shows superior transferability across datasets and LLM backbones, establishing a new paradigm for automated multi-agent system design in the era of large language models.
- Abstract（参考訳）: 大規模言語モデルを利用したマルチエージェントシステムは、さまざまなドメインにまたがる顕著な機能を示しているが、既存の自動設計アプローチでは、クエリの複雑さとドメイン要求に基づいてリソース割り当てを適応できないモノリシックなソリューションが求められている。
本稿では、ニューラルネットワーク探索の原理を活用し、動的演算子のライフサイクル管理と自動機械学習技術を通じて最適なエージェント構成を自動的に検出する、自己進化型マルチエージェントアーキテクチャ検索フレームワークであるAutoMaASを紹介する。
提案手法には,(1)性能コスト分析に基づく自動演算子生成,融合,除去,(2)リアルタイムパラメータ調整による動的コスト認識最適化,(3)継続的アーキテクチャ改善のためのオンラインフィードバック統合,(4)意思決定機構による解釈可能性の向上,の4つの革新が含まれている。
6つのベンチマークにわたる大規模な実験により、AutoMaASは1.0-7.1\%の性能向上を達成する一方で、最先端の手法と比較して推論コストを3～5\%削減することを示した。
このフレームワークはデータセットとLLMバックボーン間で優れた転送可能性を示し、大規模言語モデルの時代において、自動マルチエージェントシステム設計のための新しいパラダイムを確立した。
関連論文リスト
- AutoEP: LLMs-Driven Automation of Hyperparameter Evolution for Metaheuristic Algorithms [22.971467368498452]
アルゴリズム制御のためのゼロショット推論エンジンとしてLarge Language Models (LLM)を活用することで、トレーニングを完全に回避する新しいフレームワークであるAutoEPを紹介する。
AutoEPは一貫して最先端のチューニング方法より優れています。
論文 参考訳（メタデータ） (2025-09-27T08:45:21Z) - Dynamic Acoustic Model Architecture Optimization in Training for ASR [51.21112094223223]
DMAOは、Grow-and-drop戦略を使用して、トレーニング中にパラメータを自動的に再配置するアーキテクチャ最適化フレームワークである。
CTC onSpeech, TED-Lium-v2, Switchboard を用いてDMAOの評価を行った。
論文 参考訳（メタデータ） (2025-06-16T07:47:34Z) - AutoJudger: An Agent-Driven Framework for Efficient Benchmarking of MLLMs [24.403284945948272]
AutoJudgerはマルチモーダルな大規模言語モデルの効率的かつ適応的なベンチマークのためのエージェント駆動フレームワークである。
AutoJudgerは、アイテム応答理論(IRT)を用いて、質問の難易度を推定し、自律的な評価エージェントを使用して最も情報性の高いテスト質問を動的に選択する。
論文 参考訳（メタデータ） (2025-05-27T16:17:15Z) - OmniNova:A General Multimodal Agent Framework [0.5439020425819]
特殊なツールを備えた大規模言語モデル(LLM)は、インテリジェントな自動化システムに新たな機会をもたらす。
OmniNovaはモジュール型のマルチエージェント自動化フレームワークで、言語モデルとWeb検索、クローリング、コード実行機能といった特殊なツールを組み合わせる。
論文 参考訳（メタデータ） (2025-03-25T19:21:01Z) - ZeroLM: Data-Free Transformer Architecture Search for Language Models [54.83882149157548]
現在の自動プロキシ発見アプローチは、検索時間の拡張、データの過度なオーバーフィットへの感受性、構造的な複雑さに悩まされている。
本稿では,効率的な重み統計によるモデルキャパシティの定量化を目的とした,新しいゼロコストプロキシ手法を提案する。
本評価は,FlexiBERT ベンチマークで Spearman's rho 0.76 と Kendall's tau 0.53 を達成し,このアプローチの優位性を示すものである。
論文 参考訳（メタデータ） (2025-03-24T13:11:22Z) - AutoTM 2.0: Automatic Topic Modeling Framework for Documents Analysis [0.17999333451993949]
AutoTM 2.0は、追加の規則化されたトピックモデルを最適化するためのフレームワークである。
AutoTM 2.0 は以前の AutoTM と比較して性能が良いことを示す。
論文 参考訳（メタデータ） (2024-10-01T13:13:15Z) - AutoM3L: An Automated Multimodal Machine Learning Framework with Large Language Models [6.496539724366041]
本稿では,革新的マルチモーダル機械学習フレームワークAutoM3Lを紹介する。
AutoM3Lはデータモダリティを理解し、ユーザ要求に基づいて適切なモデルを選択する。
6つの多様なマルチモーダルデータセット上でのAutoM3Lの性能評価を行った。
論文 参考訳（メタデータ） (2024-08-01T16:01:51Z) - AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。
さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
論文 参考訳（メタデータ） (2024-03-26T04:27:56Z) - AutoMix: Automatically Mixing Language Models [62.51238143437967]
大規模言語モデル(LLM)は、さまざまなサイズと構成のクラウドAPIプロバイダから利用可能になった。
より小さなLMからの出力の近似精度に基づいて,クエリを大規模LMに戦略的にルーティングする手法であるAutomixを提案する。
論文 参考訳（メタデータ） (2023-10-19T17:57:39Z) - Auto-PyTorch Tabular: Multi-Fidelity MetaLearning for Efficient and
Robust AutoDL [53.40030379661183]
Auto-PyTorchは、完全に自動化されたディープラーニング(AutoDL)を実現するフレームワーク
ディープニューラルネットワーク(DNN)のウォームスタートとアンサンブルのためのマルチフィデリティ最適化とポートフォリオ構築を組み合わせる。
Auto-PyTorchは、いくつかの最先端の競合製品よりもパフォーマンスが良いことを示す。
論文 参考訳（メタデータ） (2020-06-24T15:15:17Z)
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。