論文の概要: Helmsman: Autonomous Synthesis of Federated Learning Systems via Multi-Agent Collaboration

• arxiv url: http://arxiv.org/abs/2510.14512v1
• Date: Thu, 16 Oct 2025 09:57:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.806904
• Title: Helmsman: Autonomous Synthesis of Federated Learning Systems via Multi-Agent Collaboration
• Title（参考訳）: Helmsman: マルチエージェントコラボレーションによるフェデレーション学習システムの自律的合成
• Authors: Haoyuan Li, Mathias Funk, Aaqib Saeed,
• Abstract要約: Helmsmanは、フェデレート学習システムのエンドツーエンド合成を自動化する新しいマルチエージェントシステムである。 AgentFL-Benchは、FLにおけるエージェントシステムのシステムレベルの生成能力を評価するための新しいベンチマークである。
• 参考スコア（独自算出の注目度）: 26.299123587171554
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) offers a powerful paradigm for training models on decentralized data, but its promise is often undermined by the immense complexity of designing and deploying robust systems. The need to select, combine, and tune strategies for multifaceted challenges like data heterogeneity and system constraints has become a critical bottleneck, resulting in brittle, bespoke solutions. To address this, we introduce Helmsman, a novel multi-agent system that automates the end-to-end synthesis of federated learning systems from high-level user specifications. It emulates a principled research and development workflow through three collaborative phases: (1) interactive human-in-the-loop planning to formulate a sound research plan, (2) modular code generation by supervised agent teams, and (3) a closed-loop of autonomous evaluation and refinement in a sandboxed simulation environment. To facilitate rigorous evaluation, we also introduce AgentFL-Bench, a new benchmark comprising 16 diverse tasks designed to assess the system-level generation capabilities of agentic systems in FL. Extensive experiments demonstrate that our approach generates solutions competitive with, and often superior to, established hand-crafted baselines. Our work represents a significant step towards the automated engineering of complex decentralized AI systems.
• Abstract（参考訳）: フェデレートラーニング(FL)は、分散データ上でモデルをトレーニングするための強力なパラダイムを提供するが、堅牢なシステムの設計とデプロイの複雑さによって、その約束はしばしば損なわれている。 データの不均一性やシステムの制約といった、多面的な課題に対する戦略の選択、組み合わせ、調整の必要性は、重大なボトルネックとなり、不安定なソリューションが生まれています。 そこで本研究では,ハイレベルユーザ仕様からフェデレート学習システムのエンドツーエンド合成を自動化する,新しいマルチエージェントシステムであるHelmsmanを紹介する。 1) 健全な研究計画を定式化するためのインタラクティブなヒューマン・イン・ザ・ループ計画,(2) 監督されたエージェントチームによるモジュールコード生成,(3) サンドボックスシミュレーション環境における自律的な評価・改善のクローズドループ。 また、厳密な評価を容易にするため、FLにおけるエージェントシステムのシステムレベル生成能力を評価するために、16種類のタスクからなる新しいベンチマークであるAgentFL-Benchを導入する。 大規模な実験により、我々の手法は、確立された手作りベースラインと競合し、しばしば優れている解を生成することを示した。 私たちの作業は、複雑な分散AIシステムの自動化エンジニアリングに向けた重要なステップを示しています。

関連論文リスト

• A Comprehensive Survey on Benchmarks and Solutions in Software Engineering of LLM-Empowered Agentic System [54.933911409697714]
  この調査は、Large Language Modelsを使ったソフトウェアエンジニアリングに関する、最初の総合的な分析を提供する。 本稿では,150以上の最近の論文をレビューし,(1)素早い,微調整,エージェントベースのパラダイムに分類した解法,(2)コード生成,翻訳,修復などのタスクを含むベンチマークという2つの重要な側面に沿った分類法を提案する。
  論文  参考訳（メタデータ） (2025-10-10T06:56:50Z)
• MARS: Optimizing Dual-System Deep Research via Multi-Agent Reinforcement Learning [82.14973479594367]
  複雑な推論タスクのための大規模言語モデル(LLM)は、直感的で意図的な認知プロセスを橋渡しする革新的なアプローチを必要とする。 本稿では,Multi-Agent System for Deep ReSearch (MARS)を提案する。
  論文  参考訳（メタデータ） (2025-10-06T15:42:55Z)
• JoyAgent-JDGenie: Technical Report on the GAIA [27.025464023889853]
  大規模言語モデルは、複雑な現実世界のタスクのための自律的なエージェントとして、ますます多くデプロイされている。 本稿では,計画および実行エージェントを批判モデル投票と統合する汎用エージェントアーキテクチャ,作業層,意味層,手続き層にまたがる階層型メモリシステム,検索,コード実行,マルチモーダル解析のための洗練されたツールスイートを提案する。
  論文  参考訳（メタデータ） (2025-10-01T04:41:58Z)
• A Comprehensive Survey of Self-Evolving AI Agents: A New Paradigm Bridging Foundation Models and Lifelong Agentic Systems [53.37728204835912]
  既存のAIシステムは、デプロイ後も静的な手作業による構成に依存している。 近年,インタラクションデータと環境フィードバックに基づいてエージェントシステムを自動拡張するエージェント進化手法が研究されている。 この調査は、自己進化型AIエージェントの体系的な理解を研究者や実践者に提供することを目的としている。
  論文  参考訳（メタデータ） (2025-08-10T16:07:32Z)
• RoboFactory: Exploring Embodied Agent Collaboration with Compositional Constraints [27.467048581838405]
  埋め込み型マルチエージェントシステムに対する構成制約の概念を提案する。 異なるタイプの制約に合わせたインターフェースを設計し、物理的世界とのシームレスな対話を可能にします。 マルチエージェント操作のための最初のベンチマークであるRoboFactoryを紹介した。
  論文  参考訳（メタデータ） (2025-03-20T17:58:38Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• A Scalable and Reproducible System-on-Chip Simulation for Reinforcement Learning [0.0]
  本稿では,高忠実度Domain-Specific System-on-Chip (DSSoC) アプリケーションに適した,スケーラブルで再現可能なオープン環境である gym-ds3 を提案する。 シミュレーションは階層的ジョブをヘテロジニアスなsystem-on-chip (soc)プロセッサにスケジュールし、システムを強化学習研究に橋渡しする。
  論文  参考訳（メタデータ） (2021-04-27T13:46:57Z)
• Self-organizing Democratized Learning: Towards Large-scale Distributed Learning Systems [71.14339738190202]
  民主化された学習(Dem-AI)は、大規模な分散および民主化された機械学習システムを構築するための基本原則を備えた全体主義的哲学を定めている。 本稿では,Dem-AI哲学にヒントを得た分散学習手法を提案する。 提案アルゴリズムは,従来のFLアルゴリズムと比較して,エージェントにおける学習モデルの一般化性能が向上することを示す。
  論文  参考訳（メタデータ） (2020-07-07T08:34:48Z)

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。