論文の概要: Hierarchical Adaptive Consensus Network: A Dynamic Framework for Scalable Consensus in Collaborative Multi-Agent AI Systems
- arxiv url: http://arxiv.org/abs/2511.17586v1
- Date: Sun, 16 Nov 2025 15:09:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:24.261674
- Title: Hierarchical Adaptive Consensus Network: A Dynamic Framework for Scalable Consensus in Collaborative Multi-Agent AI Systems
- Title（参考訳）: Hierarchical Adaptive Consensus Network: 協調型マルチエージェントAIシステムにおけるスケーラブルなコンセンサスのための動的フレームワーク
- Authors: Rathin Chandra Shit, Sharmila Subudhi,
- Abstract要約: 本稿では,マルチエージェントシステムにおけるコンセンサス戦略のための3層アーキテクチャを紹介する。
第1のレイヤは、複数のローカルエージェントクラスタの信頼性に基づく投票結果を収集します。
第2のレベルは、クラスタ横断的な知識共有と動的タイムアウトを通じてクラスタ間通信を容易にする。
第3のレイヤは、グローバルなオーケストレーションフレームワークを使用することで、システム全体の調整と最終的な調停を提供する。
- 参考スコア（独自算出の注目度）: 0.5505634045241287
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The consensus strategies used in collaborative multi-agent systems (MAS) face notable challenges related to adaptability, scalability, and convergence certainties. These approaches, including structured workflows, debate models, and iterative voting, often lead to communication bottlenecks, stringent decision-making processes, and delayed responses in solving complex and evolving tasks. This article introduces a three-tier architecture, the Hierarchical Adaptive Consensus Network (\hacn), which suggests various consensus policies based on task characterization and agent performance metrics. The first layer collects the confidence-based voting outcomes of several local agent clusters. In contrast, the second level facilitates inter-cluster communication through cross-clustered partial knowledge sharing and dynamic timeouts. The third layer provides system-wide coordination and final arbitration by employing a global orchestration framework with adaptable decision rules. The proposed model achieves $\bigO(n)$ communication complexity, as opposed to the $\bigO(n^2)$ complexity of the existing fully connected MAS. Experiments performed in a simulated environment yielded a 99.9\% reduction in communication overhead during consensus convergence. Furthermore, the proposed approach ensures consensus convergence through hierarchical escalation and dynamic adaptation for a wide variety of complicated tasks.
- Abstract（参考訳）: 協調マルチエージェントシステム(MAS)で使用されるコンセンサス戦略は、適応性、スケーラビリティ、収束確実性に関連する顕著な課題に直面している。
構造化ワークフロー、議論モデル、反復投票を含むこれらのアプローチは、しばしばコミュニケーションのボトルネック、厳格な意思決定プロセス、複雑で進化するタスクの解決における遅延応答につながる。
本稿では,3層アーキテクチャである階層型適応コンセンサスネットワーク(Hierarchical Adaptive Consensus Network (\hacn)を紹介する。
第1のレイヤは、複数のローカルエージェントクラスタの信頼性に基づく投票結果を収集します。
これとは対照的に、第2レベルはクラスタ間通信を、クラスタ間部分的な知識共有と動的タイムアウトを通じて促進する。
第3のレイヤは、適応可能な決定ルールを備えたグローバルオーケストレーションフレームワークを使用することで、システム全体の調整と最終的な調停を提供する。
提案モデルは、既存の完全連結MASの$\bigO(n^2)$複雑さとは対照的に、$\bigO(n)$通信複雑性を実現する。
シミュレーション環境で行った実験は、コンセンサス収束中に通信オーバーヘッドを99.9%削減した。
さらに,提案手法は,多種多様な複雑なタスクに対して,階層的エスカレーションと動的適応によるコンセンサス収束を保証する。
関連論文リスト
- Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。
条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。
各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。
実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
論文 参考訳（メタデータ） (2025-10-09T05:28:28Z) - Federation of Agents: A Semantics-Aware Communication Fabric for Large-Scale Agentic AI [1.8244641115869653]
エージェントのフェデレーション(FoA)は,マルチエージェントのコーディネーションを動的かつ能力駆動的なコラボレーションに変換する分散オーケストレーションフレームワークである。
FoAは、セマンティック埋め込みを通じてエージェント機能を検索可能にするマシン可読プロファイルであるVersioned Capability Vectors (VCVs)を導入した。
単一モデルベースラインよりも13倍の改善が見られ、クラスタリング強化労働力は複雑な推論タスクに特に有効である。
論文 参考訳（メタデータ） (2025-09-24T14:38:06Z) - 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) - AnyMAC: Cascading Flexible Multi-Agent Collaboration via Next-Agent Prediction [77.62279834617475]
本稿では,グラフ構造ではなくシーケンシャル構造を用いて,マルチエージェント協調を再考するフレームワークを提案する。
提案手法は,(1)各ステップで最も適したエージェントロールを選択するNext-Agent Predictionと,(2)各エージェントが前ステップから関連する情報にアクセスできるようにするNext-Context Selectionの2つの重要な方向に焦点を当てる。
論文 参考訳（メタデータ） (2025-06-21T18:34:43Z) - 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) - PARCO: Parallel AutoRegressive Models for Multi-Agent Combinatorial Optimization [25.209951743372855]
PARCOはマルチエージェントタスクのための高品質なソリューションを効率的に構築するために設計された強化学習フレームワークである。
マルチエージェント車両のルーティングとスケジューリングにおけるPARCOの評価を行い,提案手法は最先端の学習方法よりも優れていることを示した。
論文 参考訳（メタデータ） (2024-09-05T17:49:18Z) - Continuous Time Analysis of Dynamic Matching in Heterogeneous Networks [0.0]
常微分方程式(ODE)モデルを確立することによって動的マッチングをモデル化する新しい手法を提案する。
ヘテロジニアスネットワークにおいて,整合性のあるハード・ト・マッチ・エージェントのマッチングを容易・ト・マッチ・エージェントよりも優先する2つのアルゴリズムについて検討した。
この結果から,エージェントの相反する目標間のトレードオフを迅速かつ最適に示し,実世界の動的マッチングシステムの設計に関する洞察を提供する。
論文 参考訳（メタデータ） (2023-02-20T04:45:13Z) - HS3: Learning with Proper Task Complexity in Hierarchically Supervised
Semantic Segmentation [81.87943324048756]
本稿では,タスクの複雑さによって意味のある表現を学習するためのセグメンテーションネットワークの中間層を監督するトレーニングスキームである階層的意味論(Hierarchically Supervised Semantic,HS3)を提案する。
提案するHS3-Fuseフレームワークはセグメンテーション予測をさらに改善し、2つの大きなセグメンテーションベンチマークであるNYUD-v2とCityscapesで最先端の結果を得る。
論文 参考訳（メタデータ） (2021-11-03T16:33:29Z)
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。