論文の概要: Hybrid Stackelberg Game and Diffusion-based Auction for Two-tier Agentic AI Task Offloading in Internet of Agents

• arxiv url: http://arxiv.org/abs/2511.22076v1
• Date: Thu, 27 Nov 2025 03:55:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.382089
• Title: Hybrid Stackelberg Game and Diffusion-based Auction for Two-tier Agentic AI Task Offloading in Internet of Agents
• Title（参考訳）: エージェントのインターネットにおける2層エージェントAIタスクオフロードのためのハイブリッドStackelbergゲームと拡散ベースオークション
• Authors: Yue Zhong, Yongju Tong, Jiawen Kang, Minghui Dai, Hong-Ning Dai, Zhou Su, Dusit Niyato,
• Abstract要約: Internet of Agents (IoA)は、相互接続されたインテリジェントシステムのための基盤アーキテクチャである。 IoAには物理エンティティ、すなわち限られたオンボードリソースを備えた無線エージェント(WA)が含まれており、計算集約型のエージェントAIサービスを近くのサーバにオフロードする必要がある。 タスクオフロードを容易にする2層最適化手法を提案する。
• 参考スコア（独自算出の注目度）: 70.6356929970175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Internet of Agents (IoA) is rapidly gaining prominence as a foundational architecture for interconnected intelligent systems, designed to facilitate seamless discovery, communication, and collaborative reasoning among a vast network of Artificial Intelligence (AI) agents. Powered by Large Language and Vision-Language Models, IoA enables the development of interactive, rational agents capable of complex cooperation, moving far beyond traditional isolated models. IoA involves physical entities, i.e., Wireless Agents (WAs) with limited onboard resources, which need to offload their compute-intensive agentic AI services to nearby servers. Such servers can be Mobile Agents (MAs), e.g., vehicle agents, or Fixed Agents (FAs), e.g., end-side units agents. Given their fixed geographical locations and stable connectivity, FAs can serve as reliable communication gateways and task aggregation points. This stability allows them to effectively coordinate with and offload to an Aerial Agent (AA) tier, which has an advantage not affordable for highly mobile MAs with dynamic connectivity limitations. As such, we propose a two-tier optimization approach. The first tier employs a multi-leader multi-follower Stackelberg game. In the game, MAs and FAs act as the leaders who set resource prices. WAs are the followers to determine task offloading ratios. However, when FAs become overloaded, they can further offload tasks to available aerial resources. Therefore, the second tier introduces a Double Dutch Auction model where overloaded FAs act as the buyers to request resources, and AAs serve as the sellers for resource provision. We then develop a diffusion-based Deep Reinforcement Learning algorithm to solve the model. Numerical results demonstrate the superiority of our proposed scheme in facilitating task offloading.
• Abstract（参考訳）: エージェントのインターネット(IoA)は、人工知能(AI)エージェントの巨大なネットワーク間のシームレスな発見、コミュニケーション、協調的推論を容易にするために設計された、相互接続されたインテリジェントシステムの基盤アーキテクチャとして急速に普及している。 IoAはLarge LanguageとVision-Language Modelsによって駆動され、対話的で合理的なエージェントの開発を可能にし、従来の孤立したモデルよりもはるかに進んでいる。 IoAには物理エンティティ、すなわち限られたオンボードリソースを備えた無線エージェント(WA)が含まれており、計算集約型のエージェントAIサービスを近くのサーバにオフロードする必要がある。 そのようなサーバは、モバイルエージェント(MA)、自動車エージェント、固定エージェント(FA)、エンドサイドエージェントなどである。 固定された地理的位置と安定した接続性を考えると、FAは信頼できる通信ゲートウェイやタスクアグリゲーションポイントとして機能する。 この安定性により、Aerial Agent (AA)層に効果的にコーディネートおよびオフロードを行うことができる。 そこで本研究では,2層最適化手法を提案する。 第1階層はマルチリーダーマルチフォローのStackelbergゲームを採用している。 ゲームでは、MAとFAがリソース価格を設定するリーダーとして機能します。 WAはタスクオフロード率を決定するフォロワーです。 しかし、FAが過負荷になると、利用可能な航空資源にタスクをさらにオフロードすることができる。 そのため、第2階層では、過剰なFAがリソース要求の買い手として機能し、AAがリソース提供の売り手として機能するダブルダッチオークションモデルを導入している。 次に,拡散に基づくDeep Reinforcement Learningアルゴリズムを開発し,そのモデルを解く。 数値計算により,タスクオフロードの容易化における提案手法の優位性を示す。

関連論文リスト

• Towards Agentic AI Networking in 6G: A Generative Foundation Model-as-Agent Approach [35.05793485239977]
  本稿では,AIエージェント間のインタラクション,協調学習,知識伝達を支援する新しいフレームワークであるAgentNetを提案する。 本稿では,デジタルツイン方式の産業自動化とメタバース方式のインフォテインメントシステムという,2つの応用シナリオについて考察する。
  論文  参考訳（メタデータ） (2025-03-20T00:48:44Z)
• Internet of Agents: Weaving a Web of Heterogeneous Agents for Collaborative Intelligence [79.5316642687565]
  既存のマルチエージェントフレームワークは、多種多様なサードパーティエージェントの統合に苦慮することが多い。 我々はこれらの制限に対処する新しいフレームワークであるInternet of Agents (IoA)を提案する。 IoAはエージェント統合プロトコル、インスタントメッセージのようなアーキテクチャ設計、エージェントのチーム化と会話フロー制御のための動的メカニズムを導入している。
  論文  参考訳（メタデータ） (2024-07-09T17:33:24Z)
• CACA Agent: Capability Collaboration based AI Agent [18.84686313298908]
  本稿ではCACAエージェント(Capability Collaboration based AI Agent)を提案する。 CACA Agentは、単一のLLMへの依存を減らすだけでなく、AI Agentを実装するための一連のコラボレーティブ機能を統合する。 本稿ではCACAエージェントの動作とアプリケーションシナリオの拡張について説明する。
  論文  参考訳（メタデータ） (2024-03-22T11:42:47Z)
• The Rise and Potential of Large Language Model Based Agents: A Survey [91.71061158000953]
  大規模言語モデル(LLM)は、人工知能(AGI)の潜在的な火花と見なされる まず、エージェントの概念を哲学的起源からAI開発まで追跡し、LLMがエージェントに適した基盤である理由を説明します。 単一エージェントシナリオ,マルチエージェントシナリオ,ヒューマンエージェント協調の3つの側面において,LLMベースのエージェントの広範な応用について検討する。
  論文  参考訳（メタデータ） (2023-09-14T17:12:03Z)

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。