論文の概要: Real-Time AI Service Economy: A Framework for Agentic Computing Across the Continuum

• arxiv url: http://arxiv.org/abs/2603.05614v1
• Date: Thu, 05 Mar 2026 19:14:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:44.381467
• Title: Real-Time AI Service Economy: A Framework for Agentic Computing Across the Continuum
• Title（参考訳）: リアルタイムAIサービス経済 - 連続的なエージェントコンピューティングのためのフレームワーク
• Authors: Lauri Lovén, Alaa Saleh, Reza Farahani, Ilir Murturi, Miguel Bordallo López, Praveen Kumar Donta, Schahram Dustdar,
• Abstract要約: 本稿では、DAGとしてモデル化されたサービス依存グラフの構造が、分散化された価格ベースのリソース割り当てが大規模に確実に機能するかどうかの主要な決定要因であることを示す。 本稿では、クロスドメインなサブグラフをリソーススライスに分割し、よりシンプルでよく構造化されたインターフェースを市場に提供するハイブリッド管理アーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 10.35088918434398
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-time AI services increasingly operate across the device-edge-cloud continuum, where autonomous AI agents generate latency-sensitive workloads, orchestrate multi-stage processing pipelines, and compete for shared resources under policy and governance constraints. This article shows that the structure of service-dependency graphs, modelled as DAGs whose nodes represent compute stages and whose edges encode execution ordering, is a primary determinant of whether decentralised, price-based resource allocation can work reliably at scale. When dependency graphs are hierarchical (tree or series-parallel), prices converge to stable equilibria, optimal allocations can be computed efficiently, and under appropriate mechanism design (with quasilinear utilities and discrete slice items), agents have no incentive to misreport their valuations within each decision epoch. When dependencies are more complex, with cross-cutting ties between pipeline stages, prices oscillate, allocation quality degrades, and the system becomes difficult to manage. To bridge this gap, we propose a hybrid management architecture in which cross-domain integrators encapsulate complex sub-graphs into resource slices that present a simpler, well-structured interface to the rest of the market. A systematic ablation study across six experiments (1,620 runs, 10 seeds each) confirms that (i) dependency-graph topology is a first-order determinant of price stability and scalability,(ii) the hybrid architecture reduces price volatility by up to 70-75% without sacrificing throughput, (iii) governance constraints create quantifiable efficiency-compliance trade-offs that depend jointly on topology and load, and (iv) under truthful bidding the decentralised market matches a centralised value-optimal baseline, confirming that decentralised coordination can replicate centralised allocation quality.
• Abstract（参考訳）: 自律型AIエージェントがレイテンシに敏感なワークロードを生成し、マルチステージ処理パイプラインをオーケストレーションし、ポリシとガバナンスの制約の下で共有リソースと競合する。 本稿では、ノードが計算段階を表し、エッジが実行順序を符号化するDAGとしてモデル化されたサービス依存グラフの構造が、分散化された価格ベースのリソース割り当てが大規模に確実に機能するかどうかの第一決定要因であることを示す。 依存性グラフが階層的である場合(ツリーまたは直列並列)、価格は安定な均衡に収束し、最適な割り当てを効率的に計算することができ、適切なメカニズム設計(準線形ユーティリティと離散スライスアイテム)の下では、エージェントは各決定時代における評価を誤って報告するインセンティブを持たない。 依存関係が複雑になると、パイプラインステージ間の横断的な結びつきによって、価格が変動し、アロケーション品質が低下し、システムは管理が困難になる。 このギャップを埋めるために、クロスドメインインテグレータが複雑なサブグラフをリソーススライスにカプセル化し、市場全体に対してよりシンプルでよく構造化されたインターフェースを提供するハイブリッド管理アーキテクチャを提案する。 6つの実験(それぞれ1,620ラン、10種)の系統的アブレーション研究は、そのことを裏付けている。 (i)依存性グラフトポロジは価格安定性とスケーラビリティの1次決定要因である。 (II)ハイブリッドアーキテクチャはスループットを犠牲にすることなく、価格のボラティリティを最大70-75%削減する。 三 ガバナンスの制約は、トポロジと負荷に共同で依存する定量的な効率コンプライアンスのトレードオフを創出する。 (4) 分散市場を真に入札すると、中央集権的価値最適基準が一致し、分散的調整が中央集権的配分品質を再現できることを確認する。

関連論文リスト

• The Headless Firm: How AI Reshapes Enterprise Boundaries [5.856292656853395]
  我々はエージェントAIが調整コストのスケール方法に構造的変化をもたらすと主張している。 我々はこの主張を2つの実証的予測を持つ調整コストモデルとして定式化する。
  論文  参考訳（メタデータ） (2026-02-24T22:13:14Z)
• Harnessing Implicit Cooperation: A Multi-Agent Reinforcement Learning Approach Towards Decentralized Local Energy Markets [41.99844472131922]
  分散エージェントは、明示的なピアツーピア通信なしで、ローカルエネルギー市場における最適調整を近似することができる。 スティグマイシンシグナリングは複雑なグリッドコーディネートに十分なコンテキストを提供し、高価な集中型通信インフラに代わる堅牢でプライバシー保護の代替を提供する。
  論文  参考訳（メタデータ） (2026-02-17T22:22:32Z)
• Mechanism-Based Intelligence (MBI): Differentiable Incentives for Rational Coordination and Guaranteed Alignment in Multi-Agent Systems [0.0]
  メカニズムベースインテリジェンス(MBI: Mechanism-Based Intelligence)は,複数の「脳」の協調からインテリジェンスを再認識するパラダイムである。 経済原理に基づく協調的で信頼性が高くスケーラブルなマルチエージェントインテリジェンスに対して、証明可能な効率、監査可能、一般化可能なアプローチを提供する。
  論文  参考訳（メタデータ） (2025-12-22T22:22:13Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• Market-Driven Subset Selection for Budgeted Training [1.7969777786551429]
  それぞれのトレーニング例を取引可能な契約として扱う,市場ベースのフレームワークを提案する。 厳格な60kの予算の下でのGSM8Kの数学的推論では、セレクタは強い単一信号基底線でパリティを達成する。 本フレームワークは,逐次的推論および分類タスクのための固定的な計算予算の下で,多信号データキュレーションを統一する。
  論文  参考訳（メタデータ） (2025-10-02T18:12:03Z)
• Learning to Route: A Rule-Driven Agent Framework for Hybrid-Source Retrieval-Augmented Generation [55.47971671635531]
  大言語モデル(LLM)は、一般質問回答(QA)において顕著な性能を示した。 Retrieval-Augmented Generation (RAG)は、LLMを外部知識で強化することで、この制限に対処する。 既存のシステムは、主に構造化されていないドキュメントに依存しているが、主にリレーショナルデータベースを見下ろしている。
  論文  参考訳（メタデータ） (2025-09-30T22:19:44Z)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in Edge Industrial IoT [106.83952081124195]
  強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。 本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。 実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
  論文  参考訳（メタデータ） (2021-06-30T16:49:07Z)
• F2A2: Flexible Fully-decentralized Approximate Actor-critic for Cooperative Multi-agent Reinforcement Learning [110.35516334788687]
  分散マルチエージェント強化学習アルゴリズムは複雑なアプリケーションでは実践的でないことがある。 本稿では,大規模で汎用的なマルチエージェント設定を扱える,柔軟な完全分散型アクター批判型MARLフレームワークを提案する。 当社のフレームワークは,大規模環境におけるスケーラビリティと安定性を実現し,情報伝達を低減できる。
  論文  参考訳（メタデータ） (2020-04-17T14:56:29Z)

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。