論文の概要: GoAgent: Group-of-Agents Communication Topology Generation for LLM-based Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2603.19677v1
• Date: Fri, 20 Mar 2026 06:21:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.024008
• Title: GoAgent: Group-of-Agents Communication Topology Generation for LLM-based Multi-Agent Systems
• Title（参考訳）: GoAgent: LLMに基づくマルチエージェントシステムのためのグループ・オブ・エージェント通信トポロジ生成
• Authors: Hongjiang Chen, Xin Zheng, Yixin Liu, Pengfei Jiao, Shiyuan Li, Huan Liu, Zhidong Zhao, Ziqi Xu, Ibrahim Khalil, Shirui Pan,
• Abstract要約: GoAgentは、協調グループをMAS構築の原子単位として明示的に扱う通信トポロジ生成手法である。 6つのベンチマークの実験では、GoAgentの最先端のパフォーマンスを93.84%の平均精度で証明し、トークン消費を約17%削減した。
• 参考スコア（独自算出の注目度）: 55.12339141172908
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM)-based multi-agent systems (MAS) have demonstrated exceptional capabilities in solving complex tasks, yet their effectiveness depends heavily on the underlying communication topology that coordinates agent interactions. Within these systems, successful problem-solving often necessitates task-specific group structures to divide and conquer subtasks. However, most existing approaches generate communication topologies in a node-centric manner, leaving group structures to emerge implicitly from local connectivity decisions rather than modeling them explicitly, often leading to suboptimal coordination and unnecessary communication overhead. To address this limitation, we propose GoAgent (Group-of-Agents), a communication topology generation method that explicitly treats collaborative groups as the atomic units of MAS construction. Specifically, GoAgent first enumerates task-relevant candidate groups through an LLM and then autoregressively selects and connects these groups as atomic units to construct the final communication graph, jointly capturing intra-group cohesion and inter-group coordination. To mitigate communication redundancy and noise propagation inherent in expanding topologies, we further introduce a conditional information bottleneck (CIB) objective that compresses inter-group communication, preserving task-relevant signals while filtering out redundant historical noise. Extensive experiments on six benchmarks demonstrate the state-of-the-art performance of GoAgent with 93.84% average accuracy while reducing token consumption by about 17%.
• Abstract（参考訳）: 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、複雑なタスクを解く際、例外的な能力を示したが、それらの効果はエージェントの相互作用をコーディネートする基礎となる通信トポロジに大きく依存している。 これらのシステム内では、問題解決の成功はしばしばサブタスクを分割し、征服するためにタスク固有のグループ構造を必要とする。 しかし、既存のほとんどのアプローチはノード中心の方法で通信トポロジを生成し、グループ構造は明示的にモデル化するのではなく、局所接続決定から暗黙的に現れる。 この制限に対処するために、協調グループをMAS構築の原子単位として明示的に扱う通信トポロジ生成法であるGoAgent(Group-of-Agents)を提案する。 具体的には、GoAgent はまず LLM を通してタスク関連候補群を列挙し、次にこれらの群を原子単位として自己回帰的に選択し、最終的な通信グラフを構築する。 拡張トポロジに固有の通信冗長性とノイズ伝搬を軽減するため,グループ間通信を圧縮し,冗長な履歴ノイズを除去しながらタスク関連信号を保存する条件情報ボトルネック(CIB)の目的を導入する。 6つのベンチマークに関する大規模な実験は、GoAgentの最先端性能を93.84%の平均精度で証明し、トークン消費を約17%削減した。

関連論文リスト

• ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
  6Gネットワークは複雑な層間最適化に依存している。 数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。 我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
  論文  参考訳（メタデータ） (2026-01-27T13:43:59Z)
• 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)
• Graph Based Deep Reinforcement Learning Aided by Transformers for Multi-Agent Cooperation [2.8169258551959544]
  本稿では、グラフニューラルネットワーク(GNN)、深層強化学習(DRL)、マルチエージェント協調と集合タスク実行の強化のためのトランスフォーマーベースのメカニズムを統合する新しいフレームワークを提案する。 提案手法はGNNを用いて,適応グラフ構築によるエージェントエージェントとエージェントゴールの相互作用をモデル化し,制約付き通信下での効率的な情報集約と意思決定を可能にする。
  論文  参考訳（メタデータ） (2025-04-11T01:46:18Z)
• RGMComm: Return Gap Minimization via Discrete Communications in Multi-Agent Reinforcement Learning [33.86277578441437]
  マルコフ決定過程における協調的マルチエージェント強化学習課題の解決には,コミュニケーションが不可欠である。 本稿では、離散メッセージ生成関数の驚くほど単純な設計であるReturn-Gap-Minimization Communication (RGMComm)アルゴリズムを提案する。 評価の結果、RGMCommは最先端のマルチエージェント通信ベースラインを大きく上回っている。
  論文  参考訳（メタデータ） (2023-08-07T07:26:55Z)
• Communication Efficient Distributed Learning with Censored, Quantized, and Generalized Group ADMM [52.12831959365598]
  本稿では,相互接続作業者のネットワーク上で定義されたコンセンサス最適化問題を解決するための,コミュニケーション効率のよい分散機械学習フレームワークを提案する。 提案アルゴリズムであるCensored and Quantized Generalized GADMMは、GADMM(Group Alternating Direction Method of Multipliers)の労働者グループ化と分散学習のアイデアを活用する。 CQ-GGADMMは通信ラウンド数で高い通信効率を示し、精度と収束速度を損なうことなくエネルギー消費を伝達する。
  論文  参考訳（メタデータ） (2020-09-14T14:18:19Z)

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。