論文の概要: Memory Centric Power Allocation for Multi-Agent Embodied Question Answering
- arxiv url: http://arxiv.org/abs/2604.17810v1
- Date: Mon, 20 Apr 2026 05:08:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.700541
- Title: Memory Centric Power Allocation for Multi-Agent Embodied Question Answering
- Title（参考訳）: マルチエージェント型質問応答のためのメモリ集中型パワーアロケーション
- Authors: Chengyang Li, Shuai Wang, Kejiang Ye, Weijie Yuan, Boyu Zhou, Yik-Chung Wu, Chengzhong Xu, Huseyin Arslan,
- Abstract要約: マルチエージェントの具体的質問応答(MA-EQA)は、ロボットチームに対して、長い視野で見たものを問うことを目的としている。
このパラダイムシフトに対処するために、生成逆検(GAE)に基づく品質記憶モデル(QoM)を提案する。
次に,通信資源制約下でQoM関数を最大化するメモリ中心電力割り当て(MCPA)を提案する。
- 参考スコア（独自算出の注目度）: 49.3249799261475
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper considers multi-agent embodied question answering (MA-EQA), which aims to query robot teams on what they have seen over a long horizon. In contrast to existing edge resource management methods that emphasize sensing, communication, or computation performance metrics, MA-EQA emphasizes the memory qualities. To cope with this paradigm shift, we propose a quality of memory (QoM) model based on generative adversarial exam (GAE), which leverages forward simulation to assess memory retrieval and uses the resulting exam scores to compute QoM values. Then we propose memory centric power allocation (MCPA), which maximizes the QoM function under communication resource constraints. Through asymptotic analysis, it is found that the transmit powers are proportional to the GAE error probability, thus prioritizing towards high-QoM robots. Extensive experiments demonstrate that MCPA achieves significant improvements over extensive benchmarks in terms of diverse metrics in various scenarios.
- Abstract（参考訳）: 本稿では,ロボットチームに対して,長期間にわたって見てきたことを問い合わせることを目的としたマルチエージェント型質問応答(MA-EQA)について考察する。
MA-EQAは、検知、通信、計算性能の指標を強調する既存のエッジリソース管理手法とは対照的に、メモリの品質を強調している。
このパラダイムシフトに対処するため、生成逆検定(GAE)に基づくQoMモデルを提案し、前向きシミュレーションを利用してメモリ検索を評価し、結果の試験スコアを用いてQoM値を算出する。
次に,通信資源制約下でQoM関数を最大化するメモリ中心電力割り当て(MCPA)を提案する。
漸近解析により,送信パワーはGAE誤差確率に比例し,高QoMロボットに優先することが判明した。
大規模な実験では、MCPAは様々なシナリオにおける様々なメトリクスの観点から、広範囲なベンチマークよりも大幅に改善されている。
関連論文リスト
- ME-IQA: Memory-Enhanced Image Quality Assessment via Re-Ranking [25.561100902733326]
本稿では,テスト時間メモリ強化型再ランクフレームワークME-IQAを紹介する。
メモリバンクを構築し、推論サマリーを使用してセマンティックおよび知覚的に一致した隣人を検索する。
ゲートリフレクションを実行し、メモリを統合して将来の意思決定を改善する。
論文 参考訳（メタデータ） (2026-03-21T12:23:08Z) - AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。
AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
論文 参考訳（メタデータ） (2026-01-28T08:09:49Z) - Rethinking Memory Mechanisms of Foundation Agents in the Second Half: A Survey [211.01908189012184]
今年、何百もの論文が公開されたメモリは、ユーティリティギャップを埋めるための重要なソリューションとして現れます。
ファンデーションエージェントのメモリを3次元に統一したビューを提供する。
次に、異なるエージェントトポロジの下でメモリがどのようにインスタンス化され、操作されるかを分析する。
論文 参考訳（メタデータ） (2026-01-14T07:38:38Z) - SEDM: Scalable Self-Evolving Distributed Memory for Agents [23.182291416527764]
SEDMは、メモリをパッシブリポジトリからアクティブな自己最適化コンポーネントに変換する検証可能で適応的なフレームワークである。
また,SEDMは,強いメモリベースラインに比べてトークンオーバーヘッドを低減しつつ,推論精度を向上することを示した。
結果は、SEDMをオープンエンドのマルチエージェントコラボレーションのためのスケーラブルで持続可能なメモリメカニズムとして強調する。
論文 参考訳（メタデータ） (2025-09-11T14:37:37Z) - Evaluating Memory in LLM Agents via Incremental Multi-Turn Interactions [22.190297901876278]
メモリエージェントに不可欠な4つのコア能力、すなわち、正確な検索、テスト時間学習、長距離理解、選択的忘れの4つを特定した。
既存のベンチマークは、限られたコンテキスト長に依存するか、書籍ベースのQAのような静的で長いコンテキスト設定用に調整されている。
メモリエージェント用に特別に設計された新しいベンチマークであるMemoryAgentBenchを紹介する。
論文 参考訳（メタデータ） (2025-07-07T17:59:54Z) - Reinforcing Question Answering Agents with Minimalist Policy Gradient Optimization [80.09112808413133]
Mujicaは、質問をサブクエストの非循環グラフに分解するプランナーであり、検索と推論を通じて質問を解決するワーカーである。
MyGOは、従来のポリシー更新を勾配的いいねりの最大推定に置き換える、新しい強化学習手法である。
複数のデータセットにまたがる実験結果から,マルチホップQA性能向上における MujicaMyGO の有効性が示された。
論文 参考訳（メタデータ） (2025-05-20T18:33:03Z)
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。