論文の概要: Unified-MAS: Universally Generating Domain-Specific Nodes for Empowering Automatic Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2603.21475v1
• Date: Mon, 23 Mar 2026 01:36:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.435961
• Title: Unified-MAS: Universally Generating Domain-Specific Nodes for Empowering Automatic Multi-Agent Systems
• Title（参考訳）: Unified-MAS: 自動マルチエージェントシステムのためのドメイン特化ノードを普遍的に生成する
• Authors: Hehai Lin, Yu Yan, Zixuan Wang, Bo Xu, Sudong Wang, Weiquan Huang, Ruochen Zhao, Minzhi Li, Chengwei Qin,
• Abstract要約: マルチエージェントシステム(MAS)は複雑な推論タスクを解決するための有望なパラダイムとして登場した。 オフラインノード合成によるトポロジカルオーケストレーションから粒状ノード実装を分離するUnified-MASを提案する。 4つの専門分野にわたる実験により、Unified-MASを4つのAutomatic-MASベースラインに統合することで、パフォーマンスとコストのトレードオフが向上することが示された。
• 参考スコア（独自算出の注目度）: 42.66312495874437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic Multi-Agent Systems (MAS) generation has emerged as a promising paradigm for solving complex reasoning tasks. However, existing frameworks are fundamentally bottlenecked when applied to knowledge-intensive domains (e.g., healthcare and law). They either rely on a static library of general nodes like Chain-of-Thought, which lack specialized expertise, or attempt to generate nodes on the fly. In the latter case, the orchestrator is not only bound by its internal knowledge limits but must also simultaneously generate domain-specific logic and optimize high-level topology, leading to a severe architectural coupling that degrades overall system efficacy. To bridge this gap, we propose Unified-MAS that decouples granular node implementation from topological orchestration via offline node synthesis. Unified-MAS operates in two stages: (1) Search-Based Node Generation retrieves external open-world knowledge to synthesize specialized node blueprints, overcoming the internal knowledge limits of LLMs; and (2) Reward-Based Node Optimization utilizes a perplexity-guided reward to iteratively enhance the internal logic of bottleneck nodes. Extensive experiments across four specialized domains demonstrate that integrating Unified-MAS into four Automatic-MAS baselines yields a better performance-cost trade-off, achieving up to a 14.2% gain while significantly reducing costs. Further analysis reveals its robustness across different designer LLMs and its effectiveness on conventional tasks such as mathematical reasoning.
• Abstract（参考訳）: 自動マルチエージェントシステム(MAS)生成は複雑な推論タスクを解く上で有望なパラダイムとして浮上している。 しかし、既存のフレームワークは知識集約的なドメイン(例えば、医療と法則)に適用すると、基本的にボトルネックとなる。 それらはChain-of-Thoughtのような静的なノードのライブラリに依存している。 後者の場合、オーケストレータは内部の知識制限に縛られるだけでなく、同時にドメイン固有のロジックを生成し、高レベルのトポロジを最適化する必要がある。 このギャップを埋めるために、オフラインノード合成によるトポロジ的オーケストレーションから粒状ノード実装を分離するUnified-MASを提案する。 検索ベースノード生成は, LLMの内部知識限界を克服して, 特定のノードのブループリントを合成するために外部のオープンワールド知識を取得する。 4つの専門分野にわたる大規模な実験により、Unified-MASを4つのAutomatic-MASベースラインに統合することで、パフォーマンスとコストのトレードオフが向上し、最大14.2%の利益を達成でき、コストを大幅に削減できることを示した。 さらなる分析により、異なる設計者によるLSM間の堅牢性と、数学的推論のような従来のタスクにおける有効性を明らかにしている。

関連論文リスト

• MASPOB: Bandit-Based Prompt Optimization for Multi-Agent Systems with Graph Neural Networks [21.211097851224487]
  MASPOB(Multi-Agent System Prompt Optimization via Bandits)は,バンディットに基づく新しいサンプル効率フレームワークである。 トポロジによる結合を処理するため、MASPOBはグラフニューラルネットワーク(GNN)を統合して、構造的事前をキャプチャし、プロンプトセマンティクスのトポロジ対応表現を学習する。
  論文  参考訳（メタデータ） (2026-03-03T05:59:05Z)
• Beyond the Prompt: Assessing Domain Knowledge Strategies for High-Dimensional LLM Optimization in Software Engineering [4.168157981135697]
  私たちは、ドメイン知識を生成するために、人間と人工知能の戦略を比較します。 構造化知識の統合により、LLMが高次元最適化のための効果的なウォームスタートを生成することができるかどうかを決定するために、4つの異なるアーキテクチャを体系的に評価する。
  論文  参考訳（メタデータ） (2026-02-02T20:07:15Z)
• MAS-Orchestra: Understanding and Improving Multi-Agent Reasoning Through Holistic Orchestration and Controlled Benchmarks [86.05918381895555]
  関数呼び出し強化学習問題としてMASオーケストレーションを定式化する訓練時間フレームワークとしてMASOrchestraを提案する。 MAS-Orchestraでは、複雑なゴール指向のサブエージェントは呼び出し可能な関数として抽象化され、システム構造に対する大域的推論を可能にする。 分析の結果,MASはタスク構造や検証プロトコル,オーケストレータとサブエージェントの両方の機能に大きく依存していることが判明した。
  論文  参考訳（メタデータ） (2026-01-21T04:57:02Z)
• Token-Level LLM Collaboration via FusionRoute [60.72307345997823]
  FusionRouteはトークンレベルのマルチLLMコラボレーションフレームワークである。 各デコーディングステップで最も適した専門家を選択し、選択した専門家の次のTokenディストリビューションを洗練または修正する補完ロジットをコントリビュートする。 シーケンスレベルのコラボレーションとトークンレベルのコラボレーション、モデルマージ、ダイレクト微調整の両方に優れています。
  論文  参考訳（メタデータ） (2026-01-08T16:53:16Z)
• AMAS: Adaptively Determining Communication Topology for LLM-based Multi-Agent System [19.336020954831202]
  大規模言語モデル (LLM) は自然言語処理能力に革命をもたらし、産業問題解決のための自律型マルチエージェントシステム (MAS) として実践的に実装されている。 我々は、新しい動的グラフデザイナを通じてLLMベースのMASを再定義するパラダイムシフトフレームワークであるAMASを紹介する。 AMASは個々の入力の固有の特性を利用して、タスク最適化エージェント経路を介してインテリジェントにクエリトラジェクトリをクエリする。
  論文  参考訳（メタデータ） (2025-10-02T02:50:22Z)
• LLM4CMO: Large Language Model-aided Algorithm Design for Constrained Multiobjective Optimization [54.35609820607923]
  大規模言語モデル(LLM)は、アルゴリズム設計を支援する新しい機会を提供する。 LLM4CMOは,2つの人口構成をもつ2段階のフレームワークをベースとした新しいCMOEAである。 LLMは複雑な進化最適化アルゴリズムの開発において効率的な共同設計者として機能する。
  論文  参考訳（メタデータ） (2025-08-16T02:00:57Z)

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。