論文の概要: CARD: Towards Conditional Design of Multi-agent Topological Structures

• arxiv url: http://arxiv.org/abs/2603.01089v1
• Date: Sun, 01 Mar 2026 13:02:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.50308
• Title: CARD: Towards Conditional Design of Multi-agent Topological Structures
• Title（参考訳）: CARD:マルチエージェントトポロジカル構造の条件設計に向けて
• Authors: Tongtong Wu, Yanming Li, Ziye Tang, Chen Jiang, Linhao Luo, Guilin Qi, Shirui Pan, Gholamreza Haffari,
• Abstract要約: CARD(Conditional Agentic Graph Designer)は、アダプティブマルチエージェント通信のためのプロトコルであるAMACPをインスタンス化する、条件付きグラフ生成フレームワークである。 CARDは、モデル能力やリソース可用性の変化に対して効果的かつレジリエントな通信構造を生成する。
• 参考スコア（独自算出の注目度）: 83.18278008173746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM)-based multi-agent systems have shown strong capabilities in tasks such as code generation and collaborative reasoning. However, the effectiveness and robustness of these systems critically depend on their communication topology, which is often fixed or statically learned, ignoring real-world dynamics such as model upgrades, API (or tool) changes, or knowledge source variability. To address this limitation, we propose CARD (Conditional Agentic Graph Designer), a conditional graph-generation framework that instantiates AMACP, a protocol for adaptive multi-agent communication. CARD explicitly incorporates dynamic environmental signals into graph construction, enabling topology adaptation at both training and runtime. Through a conditional variational graph encoder and environment-aware optimization, CARD produces communication structures that are both effective and resilient to shifts in model capability or resource availability. Empirical results on HumanEval, MATH, and MMLU demonstrate that CARD consistently outperforms static and prompt-based baselines, achieving higher accuracy and robustness across diverse conditions. The source code is available at: https://github.com/Warma10032/CARD.
• Abstract（参考訳）: 大規模言語モデル(LLM)ベースのマルチエージェントシステムは、コード生成や協調推論といったタスクにおいて強力な機能を示している。 しかしながら、これらのシステムの有効性と堅牢性は、しばしば固定あるいは静的に学習される通信トポロジに依存し、モデルアップグレードやAPI(あるいはツール)の変更、知識ソースの可変性といった現実のダイナミクスを無視している。 この制限に対処するために,適応型マルチエージェント通信プロトコルであるAMACPをインスタンス化する条件付きグラフ生成フレームワークであるCARD(Conditional Agentic Graph Designer)を提案する。 CARDは、動的環境信号をグラフ構築に明示的に組み込んで、トレーニングと実行の両方でトポロジ適応を可能にする。 条件付き変動グラフエンコーダと環境対応最適化により、CARDは、モデル能力やリソース可用性の変化に対して効果的かつ回復力のある通信構造を生成する。 HumanEval, MATH, MMLUの実証的な結果は、CARDが静的およびプロンプトベースラインを一貫して上回り、様々な条件で高い精度と堅牢性を達成することを示した。 ソースコードは、https://github.com/Warma10032/CARD.comで入手できる。

関連論文リスト

• Addressing Explainability of Generative AI using SMILE (Statistical Model-agnostic Interpretability with Local Explanations) [0.0]
  この論文では、生成モデルの説明可能性のための統一的なフレームワークであるgSMILEを紹介している。 gSMILEはテキスト入力の制御された摂動、ワッサーシュタイン距離測定、重み付き代理モデリングを採用している。 頑丈で人間に順応した属性を生成し、最先端のジェネレーティブモデルで効果的に一般化する。
  論文  参考訳（メタデータ） (2026-02-01T12:54:51Z)
• OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
  マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。 現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。 自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
  論文  参考訳（メタデータ） (2026-01-19T12:23:44Z)
• Humanoid-inspired Causal Representation Learning for Domain Generalization [27.034416329441097]
  Humanoid-Inspired Structure Causal Model (HSCM)は、人間の知性にインスパイアされた新しい因果関係の枠組みである。 キーイメージ属性のアンタングル化と再重み付けにより、HSCMは様々な領域にわたる一般化を強化する。
  論文  参考訳（メタデータ） (2025-10-18T07:38:45Z)
• Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
  本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。 ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。 我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
  論文  参考訳（メタデータ） (2025-10-11T18:11:09Z)
• 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)
• Topology-Aware Graph Reinforcement Learning for Dynamic Routing in Cloud Networks [7.718608301354158]
  メソッドは状態表現と構造進化のための統一されたフレームワークを構築する。 動的トポロジの下で、決定の不安定性と構造的認識の不十分な課題に取り組むことを目的としている。 提案手法は, 動的・複雑なクラウドネットワークにおいて, 効率的かつロバストなルーティングを実現する。
  論文  参考訳（メタデータ） (2025-09-05T09:55:28Z)
• Large-Scale Model Enabled Semantic Communication Based on Robust Knowledge Distillation [45.347078403677216]
  大規模モデル(LSM)は意味表現と理解に有効なフレームワークである。 しかしながら、それらの直接的なデプロイメントは、しばしば高い計算複雑性とリソース要求によって妨げられる。 本稿では,新しい知識蒸留に基づくセマンティックコミュニケーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-04T07:47:18Z)
• Assemble Your Crew: Automatic Multi-agent Communication Topology Design via Autoregressive Graph Generation [91.17994756436259]
  大規模言語モデル(LLM)に基づくマルチエージェントシステム(MAS)は、多様な領域にわたる複雑な問題を扱うための強力なソリューションとして登場した。 既存のアプローチは、事前に定義されたエージェントセットとハードコードされた相互作用構造を持つテンプレートグラフ修正パラダイムに依存しているため、基本的に制限されている。 協調グラフをスクラッチから構築することで、このパラダイムを運用する新しい自己回帰モデルであるARG-Designerを提案する。
  論文  参考訳（メタデータ） (2025-07-24T09:17:41Z)
• Entropy-Regularized Token-Level Policy Optimization for Language Agent Reinforcement [67.1393112206885]
  大規模言語モデル(LLM)は、対話的な意思決定タスクにおいてインテリジェントなエージェントとして期待されている。 本稿では,トークンレベルでのLLMの最適化に適したエントロピー拡張RL法である,エントロピー正規化トークンレベル最適化(ETPO)を導入する。 我々は,データサイエンスコード生成を多段階対話型タスクのシリーズとしてモデル化したシミュレーション環境におけるETPOの有効性を評価する。
  論文  参考訳（メタデータ） (2024-02-09T07:45:26Z)

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。