論文の概要: SIGN: Schema-Induced Games for Naming
- arxiv url: http://arxiv.org/abs/2510.21855v1
- Date: Wed, 22 Oct 2025 23:12:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 15:28:14.620251
- Title: SIGN: Schema-Induced Games for Naming
- Title（参考訳）: SIGN: ナーミングのためのスキーマ誘発ゲーム
- Authors: Ryan Zhang, Herbert Woisetscläger,
- Abstract要約: 現実世界のAIシステムは、大きな言語モデル(LLM)エージェント間のインタラクションを通じて、ますます複雑な問題に対処している。
命名ゲームであるSIGN(Games for Naming)を導入し,コンベンション形成の軽量化について検討する。
- 参考スコア（独自算出の注目度）: 0.4122004265422472
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Real-world AI systems are tackling increasingly complex problems, often through interactions among large language model (LLM) agents. When these agents develop inconsistent conventions, coordination can break down. Applications such as collaborative coding and distributed planning therefore require reliable, consistent communication, and scalability is a central concern as systems grow. We introduce Schema-Induced Games for Naming (SIGN), a naming game that examines how lightweight structure can steer convention formation. We compare schema-induced communication to unconstrained natural language and find faster convergence with up to 5.8x higher agreement. These results suggest that minimal structure can act as a simple control knob for efficient multi-agent coordination, pointing toward broader applications beyond the naming game.
- Abstract（参考訳）: 現実世界のAIシステムは、大きな言語モデル(LLM)エージェント間のインタラクションを通じて、ますます複雑な問題に対処している。
これらのエージェントが一貫性のない慣習を発達させると、調整は崩壊する可能性がある。
したがって、協調的なコーディングや分散計画のようなアプリケーションは、信頼性と一貫性のあるコミュニケーションを必要とし、拡張性はシステムが成長するにつれて中心的な関心事となります。
命名ゲームであるSIGN(Schema-induced Games for Naming)を紹介する。
我々は、スキーマによる通信を制約のない自然言語と比較し、最大5.8倍のコンセンサスでより高速な収束を求める。
これらの結果は、最小限の構造が、命名ゲーム以外の幅広い用途を指して、効率的なマルチエージェント調整のための単純な制御ノブとして機能することを示唆している。
関連論文リスト
- Reasoning-Aware Prompt Orchestration: A Foundation Model for Multi-Agent Language Model Coordination [0.0]
複数の特殊エージェント間の推論を強化する動的プロンプトオーケストレーションのための理論的基盤となるフレームワークを提案する。
このフレームワークは,エージェント移行時の論理的一貫性の維持,推論対応の迅速な適応,分散推論のスケーラブルな調整,という3つの課題に対処する。
1000件の合成マルチエージェント会話実験の結果,推論遅延の42%低減,ROUGE-Lスコアによる論理的整合性の23%改善,文脈損失のないタスク完了の89%の成功率が確認された。
論文 参考訳（メタデータ） (2025-09-30T22:33:01Z) - Learning to Interact in World Latent for Team Coordination [53.51290193631586]
本研究は,多エージェント強化学習(MARL)におけるチーム協調を支援するために,対話型ワールドラテント(IWoL)という新しい表現学習フレームワークを提案する。
コミュニケーションプロトコルを直接モデル化することにより,エージェント間関係とタスク固有の世界情報とを協調的にキャプチャする学習可能な表現空間を構築する。
私たちの表現は、各エージェントの暗黙のラテントとしてだけでなく、コミュニケーションのための明示的なメッセージとしても使用できます。
論文 参考訳（メタデータ） (2025-09-29T22:13:39Z) - Communicating Plans, Not Percepts: Scalable Multi-Agent Coordination with Embodied World Models [0.0]
MARL(Multi-Agent Reinforcement Learning)の中心的な疑問は、通信プロトコルを設計するか、エンドツーエンドで学習するかである。
本稿では,協調的なタスク割り当て問題に対する2つのコミュニケーション戦略を提案し,比較する。
我々の実験によると、創発的コミュニケーションは単純な設定で実現可能であるが、設計された世界モデルベースのアプローチは、複雑さが増大するにつれて、優れたパフォーマンス、サンプル効率、スケーラビリティを示す。
論文 参考訳（メタデータ） (2025-08-04T21:29:07Z) - Multi-Agent Collaboration via Evolving Orchestration [55.574417128944226]
大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。
LLMに基づくマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し,タスク状態の進化に応じて,中央集権的なオーケストレータ("puppeteer")がエージェント("puppets")を動的に指示する。
クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2025-05-26T07:02:17Z) - MindAgent: Emergent Gaming Interaction [103.73707345211892]
大規模言語モデル(LLM)は、マルチエージェントシステムで複雑なスケジューリングを行う能力を持つ。
我々はMindAgentを提案し,ゲームインタラクションにおける創発的能力の評価・調整を行う。
論文 参考訳（メタデータ） (2023-09-18T17:52:22Z) - Learning Structured Communication for Multi-agent Reinforcement Learning [104.64584573546524]
本研究では,マルチエージェント強化学習(MARL)環境下での大規模マルチエージェント通信機構について検討する。
本稿では、より柔軟で効率的な通信トポロジを用いて、LSC(Learning Structured Communication)と呼ばれる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-11T07:19:45Z)
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。