論文の概要: On the Reliability Limits of LLM-Based Multi-Agent Planning

• arxiv url: http://arxiv.org/abs/2603.26993v1
• Date: Fri, 27 Mar 2026 21:07:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.72346
• Title: On the Reliability Limits of LLM-Based Multi-Agent Planning
• Title（参考訳）: LLMに基づくマルチエージェント計画の信頼性限界について
• Authors: Ruicheng Ao, Siyang Gao, David Simchi-Levi,
• Abstract要約: 本技術は, LLMに基づくマルチエージェント計画の信頼性限界を委譲決定問題として検討する。 LLMに基づくマルチエージェントアーキテクチャを有限非巡回決定ネットワークとしてモデル化し、複数のプロセスがモデルコンテキスト情報を共有する。 新しい信号がなければ、任意の委任されたネットワークは決定論的に、同じ情報にアクセス可能な集中型ベイズ意思決定者によって支配されていることを示す。
• 参考スコア（独自算出の注目度）: 19.02132233132541
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This technical note studies the reliability limits of LLM-based multi-agent planning as a delegated decision problem. We model the LLM-based multi-agent architecture as a finite acyclic decision network in which multiple stages process shared model-context information, communicate through language interfaces with limited capacity, and may invoke human review. We show that, without new exogenous signals, any delegated network is decision-theoretically dominated by a centralized Bayes decision maker with access to the same information. In the common-evidence regime, this implies that optimizing over multi-agent directed acyclic graphs under a finite communication budget can be recast as choosing a budget-constrained stochastic experiment on the shared signal. We also characterize the loss induced by communication and information compression. Under proper scoring rules, the gap between the centralized Bayes value and the value after communication admits an expected posterior divergence representation, which reduces to conditional mutual information under logarithmic loss and to expected squared posterior error under the Brier score. These results characterize the fundamental reliability limits of delegated LLM planning. Experiments with LLMs on a controlled problem set further demonstrate these characterizations.
• Abstract（参考訳）: 本技術は, LLMに基づくマルチエージェント計画の信頼性限界を委譲決定問題として検討する。 我々は LLM ベースのマルチエージェントアーキテクチャを有限非巡回決定ネットワークとしてモデル化し、複数の段階のプロセスでモデルコンテキスト情報を共有し、限られた能力を持つ言語インタフェースを介して通信し、人間のレビューを起動する。 我々は、新しい外因性信号がなければ、どのデリゲートネットワークも決定論的にベイズの決定者によって支配され、同じ情報にアクセス可能であることを示す。 共通エビデンス方式では、有限な通信予算の下で多エージェント指向の非巡回グラフを最適化することは、共有信号に対する予算制約の確率的実験を選択することで再キャスト可能である。 また,コミュニケーションや情報圧縮によって引き起こされる損失を特徴付ける。 適切なスコアリングルールの下では、集中ベイズ値と通信後の値とのギャップは、期待された後偏差表現を許容し、対数損失の条件付き相互情報と、ブライアスコアの2乗後誤差を減少させる。 これらの結果は, LLM計画の基本信頼性限界を特徴づけるものである。 制御された問題に対するLLMによる実験は、これらの特徴をさらに実証する。

関連論文リスト

• Federated Learning-Enabled Hybrid Language Models for Communication-Efficient Token Transmission [87.68447072141402]
  ハイブリッド言語モデル(HLM)は、エッジデバイス上でのSLM(Small Language Model)の低レイテンシ効率と、集中型サーバ上でのLLM(Large Language Model)の高精度を組み合わせたものである。 我々は、不確実性を考慮した推論とフェデレートラーニング(FL)を統合する通信効率の高いHLMフレームワークであるFedHLMを提案する。
  論文  参考訳（メタデータ） (2025-06-30T02:56:11Z)
• LTL Verification of Memoryful Neural Agents [16.353043979615496]
  本稿では,LTL(Linear Temporal Logic)仕様に対して,MN-MAS(Memoryful Neural Multi-Agent Systems)を検証するためのフレームワークを提案する。 MN-MASの例としては、フィードフォワードとリカレントニューラルネットワークに基づくマルチエージェントシステムや状態空間モデルがある。
  論文  参考訳（メタデータ） (2025-03-04T11:20:19Z)
• The Misclassification Likelihood Matrix: Some Classes Are More Likely To Be Misclassified Than Others [1.654278807602897]
  本研究では、分散シフト下でのニューラルネットワーク予測の信頼性を定量化するための新しいツールとして、MLM(Misclassification Likelihood Matrix)を紹介した。 この研究の意味は、画像の分類を超えて、自動運転車などの自動運転システムで進行中の応用に及んでいる。
  論文  参考訳（メタデータ） (2024-07-10T16:43:14Z)
• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [86.99017195607077]
  統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。 我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
  論文  参考訳（メタデータ） (2024-04-04T06:24:11Z)
• Large AI Model Empowered Multimodal Semantic Communications [48.73159237649128]
  本稿では,Large AI Model-based Multimodal SC (LAMMSC) フレームワークを提案する。 まず、条件付きマルチモーダルアライメント(MMA)を提案し、マルチモーダルデータと非モーダルデータ間の変換を可能にする。 次に、パーソナライズされたLLMベースの知識ベース(LKB)を提案し、ユーザがパーソナライズされたセマンティック抽出やリカバリを行うことができる。 最後に,CGE(Generative Adversarial Network-based Channel Estimation)を用いて,無線チャネルの状態情報を推定する。
  論文  参考訳（メタデータ） (2023-09-03T19:24:34Z)
• Learning Resilient Radio Resource Management Policies with Graph Neural Networks [124.89036526192268]
  我々は、ユーザ当たりの最小容量制約でレジリエントな無線リソース管理問題を定式化する。 有限個のパラメータ集合を用いてユーザ選択と電力制御ポリシーをパラメータ化できることを示す。 このような適応により,提案手法は平均レートと5番目のパーセンタイルレートとの良好なトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-03-07T19:40:39Z)

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。