論文の概要: Phase-Scheduled Multi-Agent Systems for Token-Efficient Coordination

• arxiv url: http://arxiv.org/abs/2604.17400v1
• Date: Sun, 19 Apr 2026 12:03:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.507091
• Title: Phase-Scheduled Multi-Agent Systems for Token-Efficient Coordination
• Title（参考訳）: Token-Efficient Coordinationのための位相スケジューリング多エージェントシステム
• Authors: Mohit Dubey,
• Abstract要約: 位相スケジュール多エージェントシステム(PSMAS)は、円多様体上にモデル化された共有注意空間の連続制御としてエージェント活性化を再認識するフレームワークである。 PSMASは平均トークンの減少率を27.3%(約21.4-34.8%)とし、完全に活性化されたベースラインの2.1ポイント以内のタスク性能を維持している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Multi-agent systems (MAS) powered by large language models suffer from severe token inefficiency arising from two compounding sources: (i) unstructured parallel execution, where all agents activate simultaneously irrespective of input readiness; and (ii) unrestricted context sharing, where every agent receives the full accumulated context regardless of relevance. Existing mitigation strategies - static pruning, hierarchical decomposition, and learned routing - treat coordination as a structural allocation problem and fundamentally ignore its temporal dimension. We propose Phase-Scheduled Multi-Agent Systems (PSMAS), a framework that reconceptualizes agent activation as continuous control over a shared attention space modeled on a circular manifold. Each agent i is assigned a fixed angular phase theta_i in the range [0, 2*pi], derived from the task dependency topology; a global sweep signal phi(t) rotates at velocity omega, activating only agents within an angular window epsilon. Idle agents receive compressed context summaries, reducing per-step token consumption. We implement PSMAS on LangGraph, evaluate on four structured benchmarks (HotPotQA-MAS, HumanEval-MAS, ALFWorld-Multi, WebArena-Coord) and two unstructured conversational settings, and prove stability, convergence, and optimality results for the sweep dynamics. PSMAS achieves a mean token reduction of 27.3 percent (range 21.4-34.8 percent) while maintaining task performance within 2.1 percentage points of a fully activated baseline (p < 0.01, n = 500 per configuration), and outperforms the strongest learned routing baseline by 5.6 percentage points in token reduction with 2.0 percentage points less performance drop. Crucially, we show that scheduling and compression are independent sources of gain: scheduling alone accounts for 18-20 percentage points of reduction, robust to compression degradation up to alpha = 0.40.
• Abstract（参考訳）: 大規模言語モデルを用いたマルチエージェントシステム(MAS)は、2つの複合源から生じる深刻なトークン不効率に悩まされる。 一 入力可読性にかかわらず、すべてのエージェントが同時に起動する非構造化並列実行 (ii) 関連性に関係なく、すべてのエージェントが完全に蓄積されたコンテキストを受信する、制限なしのコンテキスト共有。 既存の緩和戦略 - 静的プルーニング、階層的分解、学習されたルーティング - は、調整を構造的割り当て問題として扱い、時間的次元を根本的に無視する。 循環多様体上にモデル化された共有注目空間に対する連続的な制御として,エージェントの活性化を再現するフレームワークであるPSMAS(Phase-Scheduled Multi-Agent Systems)を提案する。 各エージェントiは、タスク依存トポロジーから導かれる範囲[0,2*pi]の固定角位相theta_iを割り当て、大域スイープ信号phi(t)は速度オメガで回転し、角窓エプシロン内のエージェントのみを活性化する。 アイドルエージェントは圧縮されたコンテキストサマリーを受け取り、ステップ単位のトークン消費を減らす。 我々は、LangGraphにPSMASを実装し、構造化された4つのベンチマーク(HotPotQA-MAS、HumanEval-MAS、ALFWorld-Multi、WebArena-Coord)と2つの非構造化された会話設定を評価し、スイープダイナミクスの安定性、収束性、最適性を示す。 PSMASは、タスク性能をフルアクティベートベースライン(p < 0.01, n = 500)の2.1パーセンテージ(p < 0.01, n = 500)の範囲で維持しながら、平均トークン減少率27.3%(約21.4-34.8%)を達成し、トークン減少率の5.6パーセンテージを2.0パーセンテージで上回っている。 重要なことは、スケジューリングと圧縮は独立した利得源であることを示し、スケジューリングだけで18～20パーセントの削減ポイントを担い、圧縮劣化に対してアルファ=0.40まで頑健である。

関連論文リスト

• Dynamic Attentional Context Scoping: Agent-Triggered Focus Sessions for Isolated Per-Agent Steering in Multi-Agent LLM Orchestration [0.0]
  マルチエージェント LLM オーケストレーションシステムは,コンカレントエージェントがオーケストレータのコンテキストウィンドウと競合する場合,コンテキスト汚染に悩まされる。 本研究では,2つの非対称モードでオーケストレータを動作させる機構である動的注意コンテキストスコープ(DACS)を導入する。 DACSは平文ベースラインでは21.0--60.0%に対して90.0-98.4%のステアリング精度を達成した。
  論文  参考訳（メタデータ） (2026-04-09T07:26:42Z)
• Prune Redundancy, Preserve Essence: Vision Token Compression in VLMs via Synergistic Importance-Diversity [54.95089105944234]
  視覚言語モデル(VLM)は、過剰な視覚トークンの生成によって引き起こされる計算の非効率性に直面する。 2段階パイプラインを特徴とする訓練不要なSynergistic Importance-DiversityアプローチPruneSIDを提案する。 LLaVA-NeXTでは11.1%のトークン保持率で96.3%の精度、極端な圧縮速度(5.6%)で92.8%の精度を実現した。
  論文  参考訳（メタデータ） (2026-03-10T10:31:58Z)
• HCFT: Hierarchical Convolutional Fusion Transformer for EEG Decoding [9.572621097681646]
  階層型脳核融合変換器(HCFT)という軽量な復号化フレームワークを提案する。 HCFTはマルチスケール表現のためにデュアルブランチエンコーダと階層トランスフォーマーブロックを組み合わせる。 その結果、HCFTは平均精度80.83%、BCI IV-2bではコーエンのカッパが0.6165であり、感度99.10%、時間当たり0.0236の偽陽性、CHB-MITでは98.82%であることがわかった。
  論文  参考訳（メタデータ） (2026-01-18T06:36:30Z)
• Towards Efficient Agents: A Co-Design of Inference Architecture and System [66.59916327634639]
  本稿では,エージェントアクセラレーションのための統合フレームワークであるAgentInferを提案する。 問題をAgentCollab、AgentSched、AgentSAM、AgentCompressの4つの相乗的コンポーネントに分解する。 BrowseComp-zhとDeepDiverベンチマークの実験では、これらの手法の相乗的コラボレーションを通じて、AgentInferは非効率なトークン消費を50%以上削減することを示した。
  論文  参考訳（メタデータ） (2025-12-20T12:06:13Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• Scalable spectral representations for multi-agent reinforcement learning in network MDPs [13.782868855372774]
  マルチエージェント制御の一般的なモデルであるNetwork Markov Decision Processes (MDPs)は、効率的な学習に重大な課題をもたらす。 まず、ネットワークMDPに対してスケーラブルなスペクトル局所表現を導出し、各エージェントの局所$Q$関数に対するネットワーク線形部分空間を誘導する。 我々は,連続的な状態対応ネットワークMDPのためのスケーラブルなアルゴリズムフレームワークを設計し,アルゴリズムの収束をエンドツーエンドで保証する。
  論文  参考訳（メタデータ） (2024-10-22T17:45:45Z)
• Toward multi-target self-organizing pursuit in a partially observable Markov game [34.22625222101752]
  本研究では,探索・追従における暗黙的協調機能を改善するために,分散化されたマルチエージェントシステムのためのフレームワークを提案する。 我々は,大規模な分散化,部分的な観察,非コミュニケーションを特徴とする,部分的に観測可能なマルコフゲーム(POMG)として自己組織化システムをモデル化する。 提案した分散アルゴリズムは, ファジィ自己組織化協調共進化(FSC2)を利用して, マルチターゲットSOPにおける3つの課題を解決する。
  論文  参考訳（メタデータ） (2022-06-24T14:59:56Z)

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。