論文の概要: Modular Task Decomposition and Dynamic Collaboration in Multi-Agent Systems Driven by Large Language Models

• arxiv url: http://arxiv.org/abs/2511.01149v1
• Date: Mon, 03 Nov 2025 02:00:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.08312
• Title: Modular Task Decomposition and Dynamic Collaboration in Multi-Agent Systems Driven by Large Language Models
• Title（参考訳）: 大規模言語モデルによるマルチエージェントシステムにおけるモジュールタスク分解と動的協調
• Authors: Shuaidong Pan, Di Wu,
• Abstract要約: 本稿では,複雑なタスク実行中におけるタスクの分解と協調における単一エージェントの限界について論じる。 モジュラータスクの分解と大規模言語モデルに基づく動的協調のためのマルチエージェントアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 3.4219049032524804
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper addresses the limitations of a single agent in task decomposition and collaboration during complex task execution, and proposes a multi-agent architecture for modular task decomposition and dynamic collaboration based on large language models. The method first converts natural language task descriptions into unified semantic representations through a large language model. On this basis, a modular decomposition mechanism is introduced to break down the overall goal into multiple hierarchical sub-tasks. Then, dynamic scheduling and routing mechanisms enable reasonable division of labor and realtime collaboration among agents, allowing the system to adjust strategies continuously according to environmental feedback, thus maintaining efficiency and stability in complex tasks. Furthermore, a constraint parsing and global consistency mechanism is designed to ensure coherent connections between sub-tasks and balanced workload, preventing performance degradation caused by redundant communication or uneven resource allocation. The experiments validate the architecture across multiple dimensions, including task success rate, decomposition efficiency, sub-task coverage, and collaboration balance. The results show that the proposed method outperforms existing approaches in both overall performance and robustness, achieving a better balance between task complexity and communication overhead. In conclusion, this study demonstrates the effectiveness and feasibility of language-driven task decomposition and dynamic collaboration in multi-agent systems, providing a systematic solution for task execution in complex environments.
• Abstract（参考訳）: 本稿では,複雑なタスク実行におけるタスク分解と協調における単一エージェントの限界に対処し,大規模言語モデルに基づくモジュール型タスク分解と動的協調のためのマルチエージェントアーキテクチャを提案する。 この方法は、まず自然言語のタスク記述を、大きな言語モデルを通して統一的な意味表現に変換する。 この観点から、全体目標を複数の階層的なサブタスクに分解するモジュラ分解機構が導入された。 そして、動的スケジューリングとルーティング機構により、エージェント間の適切な分業とリアルタイムの協調が可能になり、システムは環境フィードバックに応じて戦略を継続的に調整し、複雑なタスクにおける効率と安定性を維持することができる。 さらに、サブタスクとバランスの取れたワークロード間のコヒーレントな接続を確保するために、制約解析とグローバル一貫性機構が設計されている。 実験では、タスク成功率、分解効率、サブタスクカバレッジ、コラボレーションバランスなど、複数の次元にわたるアーキテクチャを検証する。 その結果,提案手法は,タスクの複雑さと通信オーバーヘッドのバランスを良くし,性能とロバスト性の両方において既存手法よりも優れていることがわかった。 本研究は,多エージェントシステムにおける言語駆動型タスク分解と動的協調の有効性を実証し,複雑な環境下でのタスク実行のための体系的ソリューションを提供する。

関連論文リスト

• CausalMACE: Causality Empowered Multi-Agents in Minecraft Cooperative Tasks [16.633868216217948]
  マルチエージェントシステムを強化するために設計された全体論的因果計画フレームワークCausalMACEを提案する。 提案フレームワークでは,グローバルなタスク計画のための包括的なタスクグラフと,依存性管理のための因果性ベースのモジュールの2つのモジュールを紹介した。 実験により,Minecraftのマルチエージェント協調作業における最先端性能を実証した。
  論文  参考訳（メタデータ） (2025-08-26T08:29:05Z)
• Parallelism Meets Adaptiveness: Scalable Documents Understanding in Multi-Agent LLM Systems [0.8437187555622164]
  大規模言語モデル(LLM)エージェントは、協調的なタスク補完の約束が増していることを示している。 既存のマルチエージェントフレームワークは、静的で固定されたロールと限定的なエージェント間通信に依存していることが多い。 本稿では,3つのコア機構による適応性を実現するための協調フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-22T22:42:51Z)
• Resolving Task Objective Conflicts in Unified Model via Task-Aware Mixture-of-Experts [11.790264535536965]
  マルチモーダル・大規模言語モデル(MLLM)は、理解タスクと生成タスクを単一のフレームワークに統合する。 固有のタスク目的 理解における高レベルのセマンティックな抽象化と、生成時のきめ細かい詳細保存との間の対立は、重大な課題である。 タスク目的の衝突を解決するために,ARの内部コンポーネントを分離する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-06-04T05:44:21Z)
• Cross-Task Experiential Learning on LLM-based Multi-Agent Collaboration [63.90193684394165]
  マルチエージェント・クロスタスク体験学習(MAEL)は,LSM駆動型エージェントに明示的なクロスタスク学習と経験蓄積を付与する新しいフレームワークである。 経験的学習フェーズでは、タスク解決ワークフローの各ステップの品質を定量化し、その結果の報酬を記憶する。 推論中、エージェントは、各推論ステップの有効性を高めるために、いくつかの例として、高頻度のタスク関連体験を検索する。
  論文  参考訳（メタデータ） (2025-05-29T07:24:37Z)
• 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)
• 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)
• Agent-Oriented Planning in Multi-Agent Systems [54.429028104022066]
  マルチエージェントシステムにおけるエージェント指向計画のための新しいフレームワークであるAOPを提案する。 本研究では, エージェント指向計画の3つの重要な設計原則, 可解性, 完全性, 非冗長性を明らかにする。 大規模実験は,マルチエージェントシステムにおける単一エージェントシステムと既存の計画戦略と比較して,現実の問題を解決する上でのAOPの進歩を実証している。
  論文  参考訳（メタデータ） (2024-10-03T04:07:51Z)
• Optimal task and motion planning and execution for human-robot multi-agent systems in dynamic environments [54.39292848359306]
  本稿では,タスクのシーケンシング,割り当て,実行を最適化するタスクと動作計画の組み合わせを提案する。 このフレームワークはタスクとアクションの分離に依存しており、アクションはシンボル的タスクの幾何学的実現の可能な1つの可能性である。 ロボットアームと人間の作業員がモザイクを組み立てる共同製造シナリオにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-03-27T01:50:45Z)
• A Unified Architecture for Dynamic Role Allocation and Collaborative Task Planning in Mixed Human-Robot Teams [0.0]
  任意のサイズの混合ロボットチームにおいて,動的役割割り当てと協調作業計画のための新しいアーキテクチャを提案する。 このアーキテクチャは、動作木(BT)に基づく集中型リアクティブかつモジュール型タスク非依存の計画手法を基盤としている。 MILPコストとして使用されるさまざまなメトリクスにより、アーキテクチャはコラボレーションの様々な側面を好むことができる。
  論文  参考訳（メタデータ） (2023-01-19T12:30:56Z)

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。