論文の概要: TodyComm: Task-Oriented Dynamic Communication for Multi-Round LLM-based Multi-Agent System
- arxiv url: http://arxiv.org/abs/2602.03688v1
- Date: Tue, 03 Feb 2026 16:07:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-04 18:37:15.562825
- Title: TodyComm: Task-Oriented Dynamic Communication for Multi-Round LLM-based Multi-Agent System
- Title（参考訳）: TodyComm:マルチラウンドLDMに基づくマルチエージェントシステムのためのタスク指向動的コミュニケーション
- Authors: Wenzhe Fan, Tommaso Tognoli, Henry Peng Zou, Chunyu Miao, Yibo Wang, Xinhua Zhang,
- Abstract要約: TodyCommはtextbftask-textbforiented textbfdynamic textbfcommunicationアルゴリズムである。
各ラウンドのダイナミクスに適応する行動駆動型コラボレーショントポロジを生成し、ポリシー勾配を通じてタスクのユーティリティを最適化する。
- 参考スコア（独自算出の注目度）: 13.255369400663893
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-round LLM-based multi-agent systems rely on effective communication structures to support collaboration across rounds. However, most existing methods employ a fixed communication topology during inference, which falls short in many realistic applications where the agents' roles may change \textit{across rounds} due to dynamic adversary, task progression, or time-varying constraints such as communication bandwidth. In this paper, we propose addressing this issue through TodyComm, a \textbf{t}ask-\textbf{o}riented \textbf{dy}namic \textbf{comm}unication algorithm. It produces behavior-driven collaboration topologies that adapt to the dynamics at each round, optimizing the utility for the task through policy gradient. Experiments on five benchmarks demonstrate that under both dynamic adversary and communications budgets, TodyComm delivers superior task effectiveness while retaining token efficiency and scalability.
- Abstract（参考訳）: マルチラウンドLLMベースのマルチエージェントシステムは、ラウンド間のコラボレーションをサポートする効果的な通信構造に依存している。
しかし、既存のほとんどの手法では、推論中に固定された通信トポロジを用いており、エージェントの役割が動的敵、タスクの進行、あるいは通信帯域幅などの時間的制約によって変更される可能性がある多くの現実的なアプリケーションでは不足している。
本稿では,この問題をTodyComm, a \textbf{t}ask-\textbf{o}riented \textbf{dy}namic \textbf{comm}unicationアルゴリズムを用いて解決することを提案する。
各ラウンドのダイナミクスに適応する行動駆動型コラボレーショントポロジを生成し、ポリシー勾配を通じてタスクのユーティリティを最適化する。
5つのベンチマークの実験では、動的逆境と通信予算の両方で、トークン効率とスケーラビリティを維持しながら、TodyCommは優れたタスク効率を提供する。
関連論文リスト
- Policy-Conditioned Policies for Multi-Agent Task Solving [53.67744322553693]
本研究では,ポリシーを人間の解釈可能なソースコードとして表現することでギャップを埋めるパラダイムシフトを提案する。
本研究では,Large Language Models (LLM) を近似インタプリタとして利用することにより,学習問題を再構築する。
我々はこのプロセスを,ポリシーコードをテキスト勾配で最適化するアルゴリズムである TextitProgrammatic Iterated Best Response (PIBR) として定式化する。
論文 参考訳（メタデータ） (2025-12-24T07:42:10Z) - Multi Robot Coordination in Highly Dynamic Environments: Tackling Asymmetric Obstacles and Limited Communication [1.8374319565577155]
本稿では,極めて活発なシナリオにおけるタスク割り当てを扱うためのアプローチを提案する。
低通信シナリオにおいて自律エージェントの動作を効率的にオーケストレーションする分散コーディネート手法を提案する。
我々のアプローチは、公式のRoboCupコンペティションでNAOロボットのチームを用いて、シミュレーションと現実世界で検証されてきた。
論文 参考訳（メタデータ） (2025-09-09T22:11:34Z) - 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) - Talk Structurally, Act Hierarchically: A Collaborative Framework for LLM Multi-Agent Systems [10.67359331022116]
textitTalk 構造的には、Act Hierarchically (TalkHier) はコンテキスト豊富な交換のための構造化通信プロトコルを導入する新しいフレームワークである。
textitTalkHierは、推論スケーリングモデル(OpenAI-o1)、オープンソースのマルチエージェントモデル(AgentVerseなど)など、さまざまな種類のSoTAを追い越している。
論文 参考訳（メタデータ） (2025-02-16T12:26:58Z) - Take What You Need: Flexible Multi-Task Semantic Communications with Channel Adaptation [51.53221300103261]
本稿では,マスク付きオートエンコーダアーキテクチャに基づく,チャネル適応型・マルチタスク対応のセマンティックコミュニケーションフレームワークについて紹介する。
チャネル認識抽出器を用いて、リアルタイムのチャネル条件に応じて、関連情報を動的に選択する。
画像再構成や物体検出などのタスクにおける従来の手法と比較して,本手法の優れた性能を示す実験結果が得られた。
論文 参考訳（メタデータ） (2025-02-12T09:01:25Z) - Generalising Multi-Agent Cooperation through Task-Agnostic Communication [7.380444448047908]
協調型マルチロボット問題におけるMARL(Multi-agent reinforcement learning)の既存のコミュニケーション手法はほとんどタスク固有であり、各タスクごとに新しいコミュニケーション戦略を訓練する。
与えられた環境内の任意のタスクに適用可能な通信戦略を導入することで、この非効率性に対処する。
我々の目的は、可変数のエージェント観測から固定サイズの潜在マルコフ状態を学ぶことである。
本手法は,コミュニケーション戦略を微調整することなく,新しいタスクへのシームレスな適応が可能であり,トレーニング中よりも多くのエージェントへのスケーリングを優雅にサポートし,環境におけるアウト・オブ・ディストリビューションイベントを検出する。
論文 参考訳（メタデータ） (2024-03-11T14:20:13Z) - Dynamic Size Message Scheduling for Multi-Agent Communication under
Limited Bandwidth [5.590219593864609]
本稿では,動的サイズメッセージスケジューリング(DSMS)手法を提案する。
我々の貢献は、フーリエ変換に基づく圧縮技術を用いて、メッセージサイズを適応的に調整することにある。
実験の結果,DSMSは多エージェント協調作業の性能を著しく向上させることがわかった。
論文 参考訳（メタデータ） (2023-06-16T18:33:11Z) - Learning Structured Communication for Multi-agent Reinforcement Learning [104.64584573546524]
本研究では,マルチエージェント強化学習(MARL)環境下での大規模マルチエージェント通信機構について検討する。
本稿では、より柔軟で効率的な通信トポロジを用いて、LSC(Learning Structured Communication)と呼ばれる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-11T07:19:45Z)
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。