論文の概要: SkillGraph: Self-Evolving Multi-Agent Collaboration with Multimodal Graph Topology

• arxiv url: http://arxiv.org/abs/2604.17503v1
• Date: Sun, 19 Apr 2026 15:46:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.559616
• Title: SkillGraph: Self-Evolving Multi-Agent Collaboration with Multimodal Graph Topology
• Title（参考訳）: SkillGraph: マルチモーダルグラフトポロジを用いた自己進化型マルチエージェントコラボレーション
• Authors: Zheng Nie, Ruolin Shen, Xinlei Yu, Bo Yin, Jiangning Zhang, Xiaobin Hu,
• Abstract要約: 視覚言語モデルをVisual Multiagent Systems (VMAS)に拡張することは、2つの複合問題によって妨げられる。 我々はエージェントの専門知識と通信トポロジの両方を進化させる共同フレームワークであるSkillGraphでこの問題に対処する。 このフレームワーク内では、Multimodal Graph Transformer (MMGT) が視覚トークン、命令セマンティクス、アクティブスキル埋め込みを符号化し、クエリ条件の協調グラフを予測する。 実験によると、SkillGraphは4つのベンチマーク、5つの共通MAS構造、4つのベースモデルで一貫した改善を実現している。
• 参考スコア（独自算出の注目度）: 32.88238804570656
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scaling vision-language models into Visual Multiagent Systems (VMAS) is hindered by two coupled issues. First, communication topologies are fixed before inference, leaving them blind to visual content and query context; second, agent reasoning abilities remain static during deployment. These issues reinforce each other: a rigid topology fails to leverage richer agent expertise, while static agents lack incentives to specialize for a given query. We address this with SkillGraph, a joint framework that evolves both agent expertise and communication topology. Within this framework, a Multimodal Graph Transformer (MMGT) encodes visual tokens, instruction semantics and active skill embeddings to predict a query-conditioned collaboration graph, replacing hand-crafted routing with dynamic, content-aware information flow. Complementing this, a Skill Designer distills and refines reasoning heuristics from failure cases, constructing a self-evolving multimodal Skill Bank. Crucially, updated skill embeddings are fed back into the MMGT, enabling the topology to adapt alongside capability growth. Experiments show that SkillGraph achieves consistent improvements across four benchmarks, five common MAS structures and four base models. Code is available at https://github.com/niez233/skillgraph.
• Abstract（参考訳）: 視覚言語モデルをVisual Multiagent Systems (VMAS)に拡張することは、2つの複合問題によって妨げられる。 第一に、通信トポロジは推論の前に固定され、視覚的コンテンツとクエリコンテキストに盲目のまま残される。 厳格なトポロジはよりリッチなエージェントの専門知識を活用できず、静的なエージェントは特定のクエリを専門化するインセンティブを欠いている。 我々はエージェントの専門知識と通信トポロジの両方を進化させる共同フレームワークであるSkillGraphでこの問題に対処する。 このフレームワーク内では、Multimodal Graph Transformer (MMGT) が視覚トークン、命令セマンティクス、アクティブなスキル埋め込みを符号化し、クエリ条件の協調グラフを予測し、手作りのルーティングを動的コンテンツ対応情報フローに置き換える。 これを完成させて、スキルデザイナーは、失敗事例からのヒューリスティックを蒸留し、精製し、自己進化するマルチモーダルスキルバンクを構築します。 重要なことは、更新されたスキル埋め込みがMMGTにフィードバックされ、トポロジは能力の成長とともに適応できる。 実験によると、SkillGraphは4つのベンチマーク、5つの共通MAS構造、4つのベースモデルで一貫した改善を実現している。 コードはhttps://github.com/niez233/skillgraph.comで入手できる。

関連論文リスト

• DyTopo: Dynamic Topology Routing for Multi-Agent Reasoning via Semantic Matching [15.07152520738373]
  我々は,各ラウンドでスパース指向の通信グラフを再構成するマネージャ誘導型マルチエージェントフレームワークであるDyTopoを紹介する。 マネージャのラウンドゴールに基づいて、各エージェントは軽量な自然言語クエリ(need)とキー(offer)ディスクリプタを出力する。 DyTopoはこれらの記述子を組み込み、セマンティックマッチングを実行し、誘導されたエッジに沿ってのみプライベートメッセージをルーティングする。
  論文  参考訳（メタデータ） (2026-02-05T18:59:51Z)
• OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
  マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。 現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。 自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
  論文  参考訳（メタデータ） (2026-01-19T12:23:44Z)
• METAL: A Multi-Agent Framework for Chart Generation with Test-Time Scaling [101.69125547798514]
  視覚言語モデル(VLM)をベースとした,効率的な自動チャート生成のためのマルチエージェントフレームワークを構築した。 グラフ生成のタスクを特殊エージェント間の反復的協調に分解するマルチエージェントフレームワークMETALを提案する。
  論文  参考訳（メタデータ） (2025-02-24T21:01:39Z)
• MageBench: Bridging Large Multimodal Models to Agents [90.59091431806793]
  LMMは印象的な視覚的理解能力を示しており、エージェントに適用される可能性がある。 既存のベンチマークは、主に言語部分における推論能力を評価する。 MageBenchは推論機能指向のマルチモーダルエージェントベンチマークである。
  論文  参考訳（メタデータ） (2024-12-05T17:08:19Z)
• Multimodal Graph Transformer for Multimodal Question Answering [9.292566397511763]
  本稿では,複数のモーダルをまたがる推論を必要とする質問応答タスクのための新しいマルチモーダルグラフ変換器を提案する。 マルチモーダルグラフ情報を組み込むための,グラフを包含したプラグアンドプレイ準アテンション機構を提案する。 GQA, VQAv2, MultiModalQAデータセット上のトランスフォーマーベースラインに対するマルチモーダルグラフ変換の有効性を検証する。
  論文  参考訳（メタデータ） (2023-04-30T21:22:35Z)

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。