論文の概要: Learning to Recommend Multi-Agent Subgraphs from Calling Trees

• arxiv url: http://arxiv.org/abs/2601.22209v1
• Date: Thu, 29 Jan 2026 18:26:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.003249
• Title: Learning to Recommend Multi-Agent Subgraphs from Calling Trees
• Title（参考訳）: 呼出木から多元グラフを推薦する学習
• Authors: Xinyuan Song, Liang Zhao,
• Abstract要約: マルチエージェントシステム(MAS)は、急速に成長する市場から選択されたエージェントやツールを編成することで、複雑なタスクをますます解決する。 提案手法では,まず検索を用いて,現在のサブタスクとコンテキストを条件としたコンパクトな候補セットを構築する。 我々は,MASの実行構造を捉えたテキスト履歴呼び出し木に,定式化と学習信号の両方を接地する。
• 参考スコア（独自算出の注目度）: 6.247621896325622
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent systems (MAS) increasingly solve complex tasks by orchestrating agents and tools selected from rapidly growing marketplaces. As these marketplaces expand, many candidates become functionally overlapping, making selection not just a retrieval problem: beyond filtering relevant agents, an orchestrator must choose options that are reliable, compatible with the current execution context, and able to cooperate with other selected agents. Existing recommender systems -- largely built for item-level ranking from flat user-item logs -- do not directly address the structured, sequential, and interaction-dependent nature of agent orchestration. We address this gap by \textbf{formulating agent recommendation in MAS as a constrained decision problem} and introducing a generic \textbf{constrained recommendation framework} that first uses retrieval to build a compact candidate set conditioned on the current subtask and context, and then performs \textbf{utility optimization} within this feasible set using a learned scorer that accounts for relevance, reliability, and interaction effects. We ground both the formulation and learning signals in \textbf{historical calling trees}, which capture the execution structure of MAS (parent-child calls, branching dependencies, and local cooperation patterns) beyond what flat logs provide. The framework supports two complementary settings: \textbf{agent-level recommendation} (select the next agent/tool) and \textbf{system-level recommendation} (select a small, connected agent team/subgraph for coordinated execution). To enable systematic evaluation, we construct a unified calling-tree benchmark by normalizing invocation logs from eight heterogeneous multi-agent corpora into a shared structured representation.
• Abstract（参考訳）: マルチエージェントシステム(MAS)は、急速に成長する市場から選択されたエージェントやツールを編成することで、複雑なタスクをますます解決する。 関連するエージェントをフィルタリングするだけでなく、オーケストレータは信頼性があり、現在の実行コンテキストと互換性があり、他の選択されたエージェントと協力できるオプションを選択する必要がある。 既存のレコメンデータシステム – 大部分がフラットなユーザイテムログからの項目レベルのランク付け用に構築されている – は,エージェントオーケストレーションの構造的,シーケンシャル,インタラクションに依存した性質に直接対処するものではない。 このギャップをMASにおける「textbf{formulating agent recommendation」という制約付き決定問題として解決し、まず検索を用いて現在のサブタスクとコンテキストに条件付けされたコンパクトな候補セットを構築し、学習スコアラを用いて、関連性、信頼性、相互作用効果を考慮に入れた「textbf{utility Optimization}」を実行する、汎用的な「textbf{constrained recommendation framework」を導入する。 我々は,MAS(親子呼出,分岐依存性,局所的な協調パターン)の実行構造をフラットログが提供するものを超えてキャプチャする,‘textbf{historical call tree}’の定式化と学習信号の両方を基盤としている。 このフレームワークは2つの補完的な設定をサポートしている: \textbf{agent-level recommendation} (次のエージェント/ツールを選択する)と \textbf{system-level recommendation} (コーディネートされた実行のために小さな接続されたエージェントチーム/サブグラフを選択する)。 組織的評価を実現するため,異種マルチエージェントコーパスからの呼び出しログを共有構造表現に正規化することにより,統一的な呼び出しツリーベンチマークを構築した。

関連論文リスト

• Beyond Monolithic Architectures: A Multi-Agent Search and Knowledge Optimization Framework for Agentic Search [56.78490647843876]
  エージェント検索は、大規模言語モデル(LLM)が推論とツールの使用をインターリーブできるようにすることによって、複雑な情報を探すための有望なパラダイムとして登場した。 本稿では,bfM-ASKを提案する。bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK。
  論文  参考訳（メタデータ） (2026-01-08T08:13:27Z)
• Multi-Agent Collaborative Filtering: Orchestrating Users and Items for Agentic Recommendations [53.24966473363053]
  エージェントレコメンデーションのためのMulti-Agent Collaborative Filtering (MACF) フレームワークを提案する。 類似したユーザや関連項目を,ユニークなプロファイルを持つ大規模言語モデル(LLM)エージェントとしてインスタンス化する。 各エージェントは検索ツールを呼び出し、候補項目を推薦し、他のエージェントと対話することができる。
  論文  参考訳（メタデータ） (2025-11-23T11:57:10Z)
• AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
  tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。 エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
  論文  参考訳（メタデータ） (2025-10-06T23:20:49Z)
• 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 Deep Covering Skill Discovery [50.812414209206054]
  本稿では,複数エージェントの結合状態空間の予測被覆時間を最小化し,マルチエージェントオプションを構築するマルチエージェントDeep Covering Option Discoveryを提案する。 また、MARLプロセスにマルチエージェントオプションを採用するための新しいフレームワークを提案する。 提案アルゴリズムは,アテンション機構とエージェントの相互作用を効果的に把握し,マルチエージェントオプションの同定に成功した。
  論文  参考訳（メタデータ） (2022-10-07T00:40:59Z)

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。