論文の概要: Learning to Interrupt in Language-based Multi-agent Communication

• arxiv url: http://arxiv.org/abs/2604.06452v1
• Date: Tue, 07 Apr 2026 20:47:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.234334
• Title: Learning to Interrupt in Language-based Multi-agent Communication
• Title（参考訳）: 言語に基づくマルチエージェントコミュニケーションにおける中断学習
• Authors: Danqing Wang, Da Yin, Ruta Desai, Lei Li, Asli Celikyilmaz, Ansong Ni,
• Abstract要約: 本稿では、現在話者を割り込むために耳を傾けているエージェントに対して、割り込み可能な通信フレームワークを提案する。 我々は,2エージェントテキストピクチャリーゲーム,3エージェントミーティングスケジューリング,3エージェント討論など,多エージェントシナリオにおけるフレームワークの評価を行った。 実験の結果,HANDRAISERは,タスク性能に優れたベースラインに比べて,通信コストを32.2%削減できることがわかった。
• 参考スコア（独自算出の注目度）: 41.62604808881143
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent systems using large language models (LLMs) have demonstrated impressive capabilities across various domains. However, current agent communication suffers from verbose output that overload context and increase computational costs. Although existing approaches focus on compressing the message from the speaker side, they struggle to adapt to different listeners and identify relevant information. An effective way in human communication is to allow the listener to interrupt and express their opinion or ask for clarification. Motivated by this, we propose an interruptible communication framework that allows the agent who is listening to interrupt the current speaker. Through prompting experiments, we find that current LLMs are often overconfident and interrupt before receiving enough information. Therefore, we propose a learning method that predicts the appropriate interruption points based on the estimated future reward and cost. We evaluate our framework across various multi-agent scenarios, including 2-agent text pictionary games, 3-agent meeting scheduling, and 3-agent debate. The results of the experiment show that our HANDRAISER can reduce the communication cost by 32.2% compared to the baseline with comparable or superior task performance. This learned interruption behavior can also be generalized to different agents and tasks.
• Abstract（参考訳）: 大規模言語モデル(LLM)を用いたマルチエージェントシステムは、様々な領域にまたがる印象的な機能を示している。 しかし、現在のエージェント通信は、コンテキストをオーバーロードし、計算コストを増大させる冗長な出力に悩まされている。 既存のアプローチでは、話者側からメッセージを圧縮することに重点を置いているが、異なるリスナーに適応し、関連する情報を特定するのに苦労している。 ヒューマンコミュニケーションの効果的な方法は、リスナーが意見の中断や表現をしたり、明確化を求めることを可能にすることである。 そこで我々は,現在話者を割り込みを聴いているエージェントに対して,割り込み可能なコミュニケーションフレームワークを提案する。 実験を急ぐことで、現在のLSMは十分な情報を受け取る前に過信され、中断されることがしばしば見いだされる。 そこで本稿では,予測した将来の報酬とコストに基づいて,適切な割り込み点を予測する学習手法を提案する。 我々は,2エージェントテキストピクチャリーゲーム,3エージェントミーティングスケジューリング,3エージェント討論など,多エージェントシナリオにおけるフレームワークの評価を行った。 実験の結果,HANDRAISERは,タスク性能に優れたベースラインに比べて,通信コストを32.2%削減できることがわかった。 この学習された割り込み動作は、異なるエージェントやタスクに一般化することもできる。

関連論文リスト

• AMUSE: Audio-Visual Benchmark and Alignment Framework for Agentic Multi-Speaker Understanding [73.05946667683259]
  最近の大規模言語モデル(MLLM)は、強い認識を示すが、多話者、対話中心の設定に苦戦している。 本質的にエージェント的なタスクを中心に設計されたベンチマークであるAMUSEを紹介します。 我々は、報酬最適化と本質的なマルチモーダル自己評価を統合するデータ効率の高いエージェントアライメントフレームワークRAFTを提案する。
  論文  参考訳（メタデータ） (2025-12-18T07:01:47Z)
• Interactive Dialogue Agents via Reinforcement Learning on Hindsight Regenerations [58.65755268815283]
  多くの実際の対話は対話的であり、つまりエージェントの発話が会話の相手に影響を与えるか、情報を引き出すか、意見を変えるかである。 この事実を利用して、既存の最適データを書き直し、拡張し、オフライン強化学習(RL)を介してトレーニングする。 実際の人間によるユーザ調査の結果、我々のアプローチは既存の最先端の対話エージェントを大きく上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-07T21:37:51Z)
• SpeechAgents: Human-Communication Simulation with Multi-Modal Multi-Agent Systems [53.94772445896213]
  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は,人間の社会をシミュレートする上で有望な性能を示した。 本研究では,マルチモーダルLLMに基づくマルチエージェントシステムであるSpeechAgentsを提案する。
  論文  参考訳（メタデータ） (2024-01-08T15:01:08Z)
• Discrete Messages Improve Communication Efficiency among Isolated Intelligent Agents [11.999081506772686]
  本研究では,コミュニケーション媒体としての言語の有効性を検討することを目的とする。 エージェントが異なるデータに晒されるシナリオでは、個別のトークンからなる文を通して通信することで、エージェント間通信の効率が最高のものになる。
  論文  参考訳（メタデータ） (2023-12-26T10:30:05Z)
• Duplex Conversation: Towards Human-like Interaction in Spoken Dialogue System [120.70726465994781]
  マルチモーダル音声対話システムにより、電話ベースのエージェントが、人間のような顧客と対話できる。 製品で学んだ教訓を共有するために、Conversation Duplex Alibabaのインテリジェントなカスタマサービスをデプロイしています。 オンラインA/B実験は,提案システムにおいて応答遅延を50%低減できることを示した。
  論文  参考訳（メタデータ） (2022-05-30T12:41:23Z)
• Learning to Infer Belief Embedded Communication [9.862909791015237]
  本稿ではエージェントの言語学習能力を模倣する新しいアルゴリズムを提案する。 過去の行動に対応する他のエージェントの意図を復号するための知覚モジュールを含んでいる。 また、2つ以上のエージェントとの通信中に暗黙の文法を学ぶための言語生成モジュールも含まれている。
  論文  参考訳（メタデータ） (2022-03-15T12:42:10Z)
• Correcting Experience Replay for Multi-Agent Communication [18.12281605882891]
  マルチエージェント強化学習(MARL)を用いたコミュニケーション学習の課題について考察する。 一般的なアプローチは、リプレイバッファからサンプリングされたデータを使って、政治外を学ぶことである。 MARLにより誘導される観測通信の非定常性を考慮した「通信補正」を導入する。
  論文  参考訳（メタデータ） (2020-10-02T20:49:24Z)
• Learning Individually Inferred Communication for Multi-Agent Cooperation [37.56115000150748]
  我々はエージェントエージェントがエージェントエージェントコミュニケーションの事前学習を可能にするために、個別推論通信(I2C)を提案する。 先行知識は因果推論によって学習され、フィードフォワードニューラルネットワークによって実現される。 I2Cは通信オーバーヘッドを減らすだけでなく、様々なマルチエージェント協調シナリオのパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2020-06-11T14:07:57Z)

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。