論文の概要: MiTa: A Hierarchical Multi-Agent Collaboration Framework with Memory-integrated and Task Allocation

• arxiv url: http://arxiv.org/abs/2601.22974v1
• Date: Fri, 30 Jan 2026 13:38:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.47349
• Title: MiTa: A Hierarchical Multi-Agent Collaboration Framework with Memory-integrated and Task Allocation
• Title（参考訳）: MiTa: メモリ統合とタスク割り当てを備えた階層型マルチエージェントコラボレーションフレームワーク
• Authors: XiaoJie Zhang, JianHan Wu, Xiaoyang Qu, Jianzong Wang,
• Abstract要約: 協調効率を高めるための階層型メモリ統合タスク割り当てフレームワークであるMiTaを提案する。 MiTaはエージェントをマネージャメンバー階層に整理し、マネージャは追加のアロケーションとサマリモジュールを組み込む。 実験により, 複雑なマルチエージェント協調において, MiTaは優れた効率と適応性が得られることを確認した。
• 参考スコア（独自算出の注目度）: 37.664241588368874
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in large language models (LLMs) have substantially accelerated the development of embodied agents. LLM-based multi-agent systems mitigate the inefficiency of single agents in complex tasks. However, they still suffer from issues such as memory inconsistency and agent behavioral conflicts. To address these challenges, we propose MiTa, a hierarchical memory-integrated task allocative framework to enhance collaborative efficiency. MiTa organizes agents into a manager-member hierarchy, where the manager incorporates additional allocation and summary modules that enable (1) global task allocation and (2) episodic memory integration. The allocation module enables the manager to allocate tasks from a global perspective, thereby avoiding potential inter-agent conflicts. The summary module, triggered by task progress updates, performs episodic memory integration by condensing recent collaboration history into a concise summary that preserves long-horizon context. By combining task allocation with episodic memory, MiTa attains a clearer understanding of the task and facilitates globally consistent task distribution. Experimental results confirm that MiTa achieves superior efficiency and adaptability in complex multi-agent cooperation over strong baseline methods.
• Abstract（参考訳）: 大規模言語モデル(LLM)の最近の進歩は、エンボディエージェントの開発を著しく加速させている。 LLMベースのマルチエージェントシステムは、複雑なタスクにおける単一エージェントの非効率性を緩和する。 しかし、記憶の不整合やエージェントの行動対立といった問題に悩まされている。 これらの課題に対処するため、協調効率を高めるために、階層型メモリ統合タスク割り当てフレームワークであるMiTaを提案する。 MiTaはエージェントを管理者メンバー階層に整理し、マネージャは(1)グローバルタスク割り当てと(2)エピソードメモリ統合を可能にする追加のアロケーションとサマリモジュールを組み込む。 このアロケーションモジュールにより、マネージャはグローバルな視点からタスクを割り当てることができる。 タスク進捗更新によって起動される要約モジュールは、最近のコラボレーション履歴を、長い水平コンテキストを保存する簡潔な要約に凝縮することで、エピソードメモリ統合を実行する。 タスク割り当てとエピソードメモリを組み合わせることで、MiTaはタスクを明確に理解し、グローバルに一貫したタスク分散を容易にする。 実験結果から,MiTaは強力なベースライン法よりも複雑なマルチエージェント協調において,優れた効率と適応性を実現することが確認された。

関連論文リスト

• Modular Task Decomposition and Dynamic Collaboration in Multi-Agent Systems Driven by Large Language Models [3.4219049032524804]
  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。
  論文  参考訳（メタデータ） (2025-11-03T02:00:06Z)
• 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)
• MapAgent: Trajectory-Constructed Memory-Augmented Planning for Mobile Task Automation [5.433829353194621]
  MapAgentは、過去のトラジェクトリから構築されたメモリを活用して、現在のタスク計画を強化するフレームワークである。 本稿では,メモリデータベースから関連ページを類似性に基づいて検索するタスクプランニング手法を提案する。 実世界のシナリオにおける結果は、MapAgentが既存のメソッドよりも優れたパフォーマンスを実現していることを示している。
  論文  参考訳（メタデータ） (2025-07-29T16:05:32Z)
• 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)
• Mobile-Agent-E: Self-Evolving Mobile Assistant for Complex Tasks [85.48034185086169]
  Mobile-Agent-Eは、過去の経験を通じて自己進化できる階層的なマルチエージェントフレームワークである。 Mobile-Agent-Eは従来の最先端アプローチよりも22%の絶対的な改善を実現している。
  論文  参考訳（メタデータ） (2025-01-20T20:35:46Z)
• TDAG: A Multi-Agent Framework based on Dynamic Task Decomposition and Agent Generation [41.21899915378596]
  動的タスク分解・エージェント生成(TDAG)に基づくマルチエージェントフレームワークを提案する。 このフレームワークは複雑なタスクを小さなサブタスクに動的に分解し、それぞれが特定の生成されたサブエージェントに割り当てる。 ItineraryBenchは、さまざまな複雑さのタスク間でのメモリ、計画、ツール使用量のエージェントの能力を評価するように設計されている。
  論文  参考訳（メタデータ） (2024-02-15T18:27:37Z)
• SwiftSage: A Generative Agent with Fast and Slow Thinking for Complex Interactive Tasks [81.9962823875981]
  我々は、人間の認知の二重プロセス理論に触発された新しいエージェントフレームワークSwiftSageを紹介する。 フレームワークは、高速で直感的な思考を表すSwiftモジュールと、意図的な思考プロセスをエミュレートするSageモジュールの2つの主要なモジュールで構成されている。 ScienceWorldベンチマークの30タスクでは、SwiftSageはSayCan、ReAct、Reflexといった他のメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-05-27T07:04:15Z)

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。