論文の概要: EMS: Multi-Agent Voting via Efficient Majority-then-Stopping

• arxiv url: http://arxiv.org/abs/2604.02863v1
• Date: Fri, 03 Apr 2026 08:29:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.399665
• Title: EMS: Multi-Agent Voting via Efficient Majority-then-Stopping
• Title（参考訳）: EMS: 効率的多数決によるマルチエージェント投票
• Authors: Yiqing Liu, Hantao Yao, Wu Liu, Yongdong Zhang,
• Abstract要約: 推論効率を向上させるために,EMS(Efficient Majority-then-Stopping)を提案する。 EMSはタスク認識の信頼性に基づいてエージェントを優先順位付けし、大多数が達成された時点で推論パイプラインを終了する。 EMSは、呼び出しされたエージェントの平均数を32%減少させる。
• 参考スコア（独自算出の注目度）: 62.95000188335248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Majority voting is the standard for aggregating multi-agent responses into a final decision. However, traditional methods typically require all agents to complete their reasoning before aggregation begins, leading to significant computational overhead, as many responses become redundant once a majority consensus is achieved. In this work, we formulate the multi-agent voting as a reliability-aware agent scheduling problem, and propose an Efficient Majority-then-Stopping (EMS) to improve reasoning efficiency. EMS prioritizes agents based on task-aware reliability and terminates the reasoning pipeline the moment a majority is achieved from the following three critical components. Specifically, we introduce Agent Confidence Modeling (ACM) to estimate agent reliability using historical performance and semantic similarity, Adaptive Incremental Voting (AIV) to sequentially select agents with early stopping, and Individual Confidence Updating (ICU) to dynamically update the reliability of each contributing agent. Extensive evaluations across six benchmarks demonstrate that EMS consistently reduces the average number of invoked agents by 32%.
• Abstract（参考訳）: 多数決投票は、最終決定にマルチエージェント応答を集約するための標準である。 しかし、従来の手法では、集約が始まる前にすべてのエージェントに推論を完了させる必要があり、多数決が成立すると多くの応答が冗長になるため、計算上のオーバーヘッドが大きくなる。 本研究では, 信頼性を考慮したエージェントスケジューリング問題としてマルチエージェント投票を定式化し, 推論効率を向上させるために, 効率の良い行列列決定法(EMS)を提案する。 EMSはタスク認識の信頼性に基づいてエージェントを優先順位付けし、以下の3つの重要なコンポーネントから多数が達成された時点で推論パイプラインを終了する。 具体的には、エージェント信頼度モデリング(ACM)を導入し、エージェントの信頼性を過去のパフォーマンスと意味的類似性を用いて推定し、適応的インクリメンタル投票(AIV)で早期停止のあるエージェントを順次選択し、個別信頼度更新(ICU)で各エージェントの信頼性を動的に更新する。 6つのベンチマークで広範囲に評価した結果、EMSは呼び出しされるエージェントの平均数を32%減らしている。

関連論文リスト

• Auditing Multi-Agent LLM Reasoning Trees Outperforms Majority Vote and LLM-as-Judge [18.843205691780284]
  我々はAgentAuditorを導入し、投票をReasoning Tree上のパス検索に置き換える。 AgentAuditorは、分岐を重要な分岐点で比較することで競合を解決する。 最大5%の得票率で絶対精度が向上し、最大3%の得票率でLLM-as-Judgeを使用する。
  論文  参考訳（メタデータ） (2026-02-10T02:24:53Z)
• MAS-ProVe: Understanding the Process Verification of Multi-Agent Systems [59.20800753428596]
  マルチエージェントシステム(MAS)におけるプロセス検証の系統的研究であるMAS-ProVeを提案する。 本研究は3つの検証パラダイム(LLM-as-a-Judge、報酬モデル、プロセス報酬モデル)にまたがる。 プロセスレベルの検証は、常に性能を改善しておらず、しばしば高いばらつきを示す。
  論文  参考訳（メタデータ） (2026-02-03T03:30:36Z)
• Collaborative Multi-Agent Test-Time Reinforcement Learning for Reasoning [112.16686518063456]
  textbfMulti-Agent Test-Time Reinforcement Learning (MATTRL)を導入する。 MATTRLは、マルチターンの議論、テストタイムの経験の検索と統合、最終的な意思決定のコンセンサスに到達するための、複数の専門家のチームを形成する。 MATTRLは、医学、数学、教育の挑戦的なベンチマーク全体にわたって、マルチエージェントベースラインで平均3.67%、同等のシングルエージェントベースラインで平均8.67%の精度を向上する。
  論文  参考訳（メタデータ） (2026-01-14T17:57:43Z)
• AgentPRM: Process Reward Models for LLM Agents via Step-Wise Promise and Progress [71.02263260394261]
  大規模言語モデル(LLM)は、マルチターン意思決定タスクにおいて依然として課題に直面している。 プロセス報酬モデル(PRM)を構築し、各意思決定を評価し、エージェントの意思決定プロセスを導く。 AgentPRMは、シーケンシャルな決定と最終的な目標への貢献の間の相互依存の両方をキャプチャする。
  論文  参考訳（メタデータ） (2025-11-11T14:57:54Z)
• Internalizing Self-Consistency in Language Models: Multi-Agent Consensus Alignment [22.305033366660187]
  言語モデル(LM)は矛盾する推論子であり、しばしば同じプロンプトに対する矛盾した応答を生成する。 適切に整合した推論モデルの本質的な性質として自己整合性を定式化し、MACA(Multi-Agent Consensus Alignment)を導入する。 MACAは、エージェントが自分自身をより決定的かつ簡潔に教えることを可能にし、外部の監督なしにマルチエージェント設定におけるピアインサイトをより活用する。
  論文  参考訳（メタデータ） (2025-09-18T17:27:28Z)
• Byzantine-Robust Decentralized Coordination of LLM Agents [4.097563258332958]
  我々は,マルチエージェントLLMシステムのための分散コンセンサス手法であるDecentLLMsを提案する。 エージェントは同時に回答を生成し、評価エージェントは独立してこれらの回答をスコア付けしてランク付けし、最適な回答を選択する。 実験により,DecentLLMsはビザンチン系薬剤を効果的に許容し,選択された回答の質を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-07-20T11:55:26Z)
• An Adversary-Resistant Multi-Agent LLM System via Credibility Scoring [8.779871128906787]
  信頼性スコアリングに基づく汎用・対向抵抗型マルチエージェントLCMフレームワークを提案する。 私たちのシステムは、チームのアウトプットを集約するときに使用される信頼性スコアを関連付けています。
  論文  参考訳（メタデータ） (2025-05-30T05:57:37Z)
• AgentBoard: An Analytical Evaluation Board of Multi-turn LLM Agents [74.16170899755281]
  本稿では,LLMエージェントの分析的評価に適したオープンソース評価フレームワークであるAgentBoardを紹介する。 AgentBoardは、インクリメンタルな進歩と包括的な評価ツールキットをキャプチャする、きめ細かい進捗率のメトリクスを提供する。 これはLLMエージェントの能力と限界に光を当てるだけでなく、その性能の解釈可能性も最前線に広める。
  論文  参考訳（メタデータ） (2024-01-24T01:51:00Z)

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。