論文の概要: MAFIG: Multi-agent Driven Formal Instruction Generation Framework

• arxiv url: http://arxiv.org/abs/2604.10989v1
• Date: Mon, 13 Apr 2026 04:47:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.326879
• Title: MAFIG: Multi-agent Driven Formal Instruction Generation Framework
• Title（参考訳）: MAFIG:マルチエージェント駆動形式命令生成フレームワーク
• Authors: Shixing Zhao, Zheng Si, Pengpeng Ouyang, Zhengqing Hu, Wanqi Zhu, Dong Chen, Yibo Guo, Mingliang Xu,
• Abstract要約: スケジューリングシステムにおける緊急事態は、しばしばシステムの安定性を損なう局所的な機能障害を引き起こし、システム崩壊を引き起こす。 既存のメソッドは、ロバストなスケジューリングやリアクティブなスケジューリング、事前定義されたルールや再スケジュール戦略による緊急処理に依存している。 我々は,クラウド大規模言語モデルの意思決定能力を軽量なローカルモデルに伝達するために,損失駆動型局所蒸留機構を導入する。
• 参考スコア（独自算出の注目度）: 17.52930666720453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emergency situations in scheduling systems often trigger local functional failures that undermine system stability and even cause system collapse. Existing methods primarily rely on robust scheduling or reactive scheduling, handling emergencies through predefined rules or rescheduling strategies. However, the diversity and unpredictability of real-world emergencies make them difficult to anticipate, which limits the adaptability of these methods in complex scenarios. Recent studies have shown that Large Language Models (LLMs) possess strong potential for complex scheduling tasks because of their extensive prior knowledge and strong reasoning capabilities. Nevertheless, the high inference latency of LLMs and the lengthy contextual information of scheduling systems significantly hinder their application for emergency handling. To mitigate these issues, we propose the Multi-agent Driven Formal Instruction Generation Framework (MAFIG). The framework constrains the decision scope to local functional modules affected by emergency situations and repairs scheduling logic rapidly by generating formal instructions. MAFIG contains a Perception Agent and an Emergency Decision Agent, which mitigates the adverse impact of lengthy system contexts on emergency decision-making. We further introduce span-focused loss-driven local distillation mechanism (SFL) to transfer the decision-making capability of powerful Cloud Large Language Models (C-LLMs) to lightweight local models, reducing inference latency while preserving decision-making effectiveness. Experiments in the Port, Warehousing, and Deck scheduling datasets show success rates of 98.49\%, 94.97\%, and 97.50\%, with average processing times of 0.33 s, 0.23 s, and 0.19 s. These results demonstrate that MAFIG effectively mitigates the impact of emergencies and improves the robustness and adaptability of scheduling systems.
• Abstract（参考訳）: スケジューリングシステムにおける緊急事態は、しばしばシステムの安定性を損なう局所的な機能障害を引き起こし、システム崩壊を引き起こす。 既存のメソッドは主に、堅牢なスケジューリングやリアクティブなスケジューリング、事前定義されたルールや再スケジュール戦略による緊急処理に依存しています。 しかし、現実の事態の多様性と予測不可能さは予測を難しくし、複雑なシナリオにおけるこれらの手法の適応性を制限する。 近年の研究では、Large Language Models (LLM) が、事前知識と強力な推論能力のため、複雑なスケジューリングタスクに強い可能性を持っていることが示されている。 それでも、LLMの高推論遅延とスケジューリングシステムの長期のコンテキスト情報により、緊急処理への適用が著しく妨げられる。 これらの問題を緩和するために,マルチエージェント駆動型形式命令生成フレームワーク(MAFIG)を提案する。 このフレームワークは、緊急時に影響を受けるローカル機能モジュールに決定範囲を制限し、形式的な命令を生成することで、スケジューリングロジックを迅速に修復する。 MAFIGには、パーセプションエージェントと緊急意思決定エージェントが含まれており、緊急意思決定における長いシステムコンテキストの悪影響を軽減している。 さらに,クラウド大規模言語モデル(C-LLM)の意思決定能力を軽量なローカルモデルに移行し,意思決定効率を保ちつつ,推論遅延を低減するために,分散型損失駆動型局所蒸留機構(SFL)を導入する。 ポート、ウェアハウジング、デックのスケジューリングデータセットの実験では、成功率は98.49.%、94.97.%、97.50.%であり、平均処理時間は0.33秒、0.23秒、0.19秒である。 これらの結果から,MAFIGは緊急時の影響を効果的に軽減し,スケジューリングシステムの堅牢性と適応性を向上させることが示唆された。

関連論文リスト

• Fault-Tolerant Design and Multi-Objective Model Checking for Real-Time Deep Reinforcement Learning Systems [7.759578639008443]
  深層強化学習(DRL)は、複雑な意思決定問題を解決するための強力なパラダイムとして登場した。 DRLベースのシステムは、シミュレーションと現実のギャップ、アウト・オブ・ディストリビューション・オブ・ディストリビューションの観察、遅延の重大な影響により、依然として重大な信頼性の問題に直面している。 本稿では,DRLエージェントと代替コントローラ間のリアルタイムスイッチング機構の設計と解析を行うための公式なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-24T12:08:06Z)
• When Should a Robot Think? Resource-Aware Reasoning via Reinforcement Learning for Embodied Robotic Decision-Making [68.12864562049957]
  身体ロボットシステムは、高レベルの推論をサポートするために、大規模言語モデル(LLM)ベースのエージェントにますます依存している。 エージェントはいつ、いつ、いつ行動すべきか? 本稿では,エンボディエージェントのリソース・アウェア・オーケストレーションのための階層的なフレームワークであるRARRL(Resource-Aware Reasoning via Reinforcement Learning)を提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:38:50Z)
• SAGE-LLM: Towards Safe and Generalizable LLM Controller with Fuzzy-CBF Verification and Graph-Structured Knowledge Retrieval for UAV Decision [46.089736018739295]
  大型言語モデル (LLM) には、ドメイン固有のUAV制御知識と正式な安全保証がない。 本稿では,LLMに基づく列車自由な2層決定アーキテクチャを提案し,低レベルの高精度制御と高レベルの安全計画を統合する。
  論文  参考訳（メタデータ） (2026-02-27T06:41:04Z)
• Structured Uncertainty guided Clarification for LLM Agents [126.26213027785813]
  LLMエージェントは、ツールコール機能を備えた大きな言語モデルを拡張するが、曖昧なユーザ命令は、しばしば誤った呼び出しやタスクの失敗につながる。 本稿では,ツールコールパラメータに対する構造的不確かさの定式化,完全情報の期待値(EVPI)を目標としたPOMDPのモデル化,冗長性防止のためのアスペクトベースコストモデルを提案する。 我々のSAGE-Agentは、この構造化された不確実性を活用し、より優れた効率を達成するために、曖昧なタスクのカバレッジを7～39%増加させ、明確な質問を1.5～2.7$times$に減らした。
  論文  参考訳（メタデータ） (2025-11-11T21:50:44Z)
• Foundation Models for Logistics: Toward Certifiable, Conversational Planning Interfaces [59.80143393787701]
  大規模言語モデル(LLM)は不確実性に対処し、導入障壁を低くしながら再計画の加速を約束する。 本稿では,自然言語対話のアクセシビリティと目標解釈の検証可能な保証とを組み合わせたニューロシンボリック・フレームワークを提案する。 わずか100個の不確実性フィルタで微調整された軽量モデルは、GPT-4.1のゼロショット性能を上回り、推論遅延を50%近く削減する。
  論文  参考訳（メタデータ） (2025-07-15T14:24:01Z)
• MARBLE: A Multi-Agent Rule-Based LLM Reasoning Engine for Accident Severity Prediction [1.3102025155414727]
  交通安全システムにおいて,事故重大度予測が重要な役割を担っている。 既存の方法はしばしばモノリシックモデルやブラックボックスプロンプトに依存している。 本稿では,多エージェントルールに基づくLLMエンジンを提案し,その重大性予測タスクを,専門的推論エージェントのチーム間で分解する。
  論文  参考訳（メタデータ） (2025-07-07T11:27:49Z)
• Real-Time Out-of-Distribution Failure Prevention via Multi-Modal Reasoning [18.28480383898768]
  FORTRESSはロボットの安全性のための共同推論と計画のフレームワークである。 セマンティックに安全なフォールバック戦略を生成し、安全クリティカルなOOD障害を防ぐ。
  論文  参考訳（メタデータ） (2025-05-15T17:55:28Z)
• ThinkFL: Self-Refining Failure Localization for Microservice Systems via Reinforcement Fine-Tuning [31.89194823470957]
  小さなモデルに基づく従来の障害ローカライゼーションアプローチでは、さまざまな障害シナリオに適応する柔軟性が欠如しています。 本稿では,多要素障害の局所化と再帰的アクターモジュールを統合した,プログレッシブな多段階GRPO微調整フレームワークを提案する。 得られたモデルであるThinkFLは、既存の最先端のLCMやベースラインメソッドよりもローカライズ精度が高いが、エンドツーエンドのローカライズ遅延を数分から秒に短縮する。
  論文  参考訳（メタデータ） (2025-04-26T03:08:30Z)
• Enhancing LLM Reliability via Explicit Knowledge Boundary Modeling [41.19330514054401]
  大規模言語モデル(LLM)は、不一致の自己認識に起因する幻覚の傾向にある。 本稿では,高速かつ低速な推論システムを統合し,信頼性とユーザビリティを調和させる明示的知識境界モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-04T03:16:02Z)
• Correct-by-construction reach-avoid control of partially observable linear stochastic systems [7.912008109232803]
  離散時間線形時間不変系のリーチエイド制御のための頑健なフィードバックコントローラを定式化する。 問題は、必要となる証明状態の抽象化問題を満たすコントローラを計算することである。
  論文  参考訳（メタデータ） (2021-03-03T13:46:52Z)

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。