論文の概要: A Delta-Aware Orchestration Framework for Scalable Multi-Agent Edge Computing

• arxiv url: http://arxiv.org/abs/2604.20129v1
• Date: Wed, 22 Apr 2026 02:54:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.931924
• Title: A Delta-Aware Orchestration Framework for Scalable Multi-Agent Edge Computing
• Title（参考訳）: スケーラブルなマルチエージェントエッジコンピューティングのためのデルタ対応オーケストレーションフレームワーク
• Authors: Samaresh Kumar Singh, Joyjit Roy,
• Abstract要約: Synergistic Collapseは、100以上のエージェントをスケーリングすることで、個々の最適化が防止できない超線形パフォーマンスの低下を引き起こす。 これまでの研究は、指数的行動空間成長、空間的隣接エージェント間の計算冗長性、タスクに依存しないハードウェアスケジューリングなど、それぞれの要因に対処してきた。 1) 中間層活性化を記憶し入力デルタのみを演算する微分ニューラルキャッシング、(2) エージェントを優先度階層に整理し、調整の複雑さを O(n2) から O(n log n) へ6%未満の最適で減少させる臨界ベースのアクションスペースプラニング、の3つに同時に対処するフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Synergistic Collapse occurs when scaling beyond 100 agents causes superlinear performance degradation that individual optimizations cannot prevent. We observe this collapse with 150 cameras in Smart City deployment using MADDPG, where Deadline Satisfaction drops from 78% to 34%, producing approximately $180,000 in annual cost overruns. Prior work has addressed each contributing factor in isolation: exponential action-space growth, computational redundancy among spatially adjacent agents, and task-agnostic hardware scheduling. None has examined how these three factors interact and amplify each other. We present DAOEF (Delta-Aware Orchestration for Edge Federations), a framework that addresses all three simultaneously through: (1) Differential Neural Caching, which stores intermediate layer activations and computes only the input deltas, achieving 2.1x higher hit ratios (72% vs. 35%) than output-level caching while staying within 2% accuracy loss through empirically calibrated similarity thresholds; (2) Criticality-Based Action Space Pruning, which organizes agents into priority tiers and reduces coordination complexity from O(n2) to O(n log n) with less than 6% optimality loss; and (3) Learned Hardware Affinity Matching, which assigns tasks to their optimal accelerator (GPU, CPU, NPU, or FPGA) to prevent compounding mismatch penalties. Controlled factor-isolation experiments confirm that each mechanism is necessary but insufficient on its own: removing any single mechanism increases latency by more than 40%, validating that the gains are interdependent rather than additive. Across four datasets (100-250 agents) and a 20-device physical testbed, DAOEF achieves a 1.45x multiplicative gain over applying the three mechanisms independently. A 200-agent cloud deployment yields 62% latency reduction (280 ms vs. 735 ms), sub-linear latency growth up to 250 agents.
• Abstract（参考訳）: Synergistic Collapseは、100以上のエージェントをスケーリングすることで、個々の最適化が防止できない超線形パフォーマンスの低下を引き起こす。 MADDPGではデッドライン満足度が78%から34%に低下し,年間180,000ドルのコストオーバーランが発生している。 これまでの研究は、指数的行動空間成長、空間的隣接エージェント間の計算冗長性、タスクに依存しないハードウェアスケジューリングなど、それぞれの要因に対処してきた。 これらの3つの要因がどのように相互作用し、増幅するかは、誰も検討していません。 DAOEF(Delta-Aware Orchestration for Edge Federations)は,(1)中間層アクティベーションを格納し,入力デルタのみを演算する差分ニューラルキャッシング,2)2.1倍のヒット比(72% vs. 35%)の出力レベルキャッシングを実現し,2%の精度の損失を経験的校正された類似性しきい値で保持する,2)エージェントを優先度階層に整理し,O(n2)からO(n log n)への調整複雑性を6%未満の最適性損失で低減する,3)最適な加速(GPU, CPU, NPU, FPGA)タスクを割り当てるハードウェア親和性マッチング,という3つのフレームワークを提案する。 制御された因子分離実験では、各メカニズムは必要だが、それ自身では不十分であることが確認されている: 単一のメカニズムを除去すると、40%以上のレイテンシが増加し、利得が加法ではなく相互依存であることを検証する。 4つのデータセット(100-250エージェント)と20デバイス物理テストベッドでDAOEFは、3つのメカニズムを独立して適用するよりも1.45倍の乗算ゲインを達成する。 200エージェントのクラウドデプロイメントでは、レイテンシの62%(280ms vs. 735ms)が削減され、サブ線形レイテンシが250エージェントまで増加します。

関連論文リスト

• Towards Optimal Agentic Architectures for Offensive Security Tasks [3.93181912653522]
  20のインタラクティブなターゲット(Web/API10とバイナリ10)のベンチマークを導入する。 それぞれ、ホワイトボックスとブラックボックスモードで評価された、ワンリーチ可能な地上真実の脆弱性を露呈する。 MAS-Indepは最も高い検出率(64.2%)を獲得し、SASは最も高い効率のベースラインである0.058ドルである。
  論文  参考訳（メタデータ） (2026-04-20T18:17:51Z)
• Phase-Scheduled Multi-Agent Systems for Token-Efficient Coordination [0.0]
  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。
  論文  参考訳（メタデータ） (2026-04-19T12:03:54Z)
• DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
  本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。 DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
  論文  参考訳（メタデータ） (2026-03-16T02:02:38Z)
• Scalable Multi-Task Low-Rank Model Adaptation [43.22544779625565]
  マルチタスク低ランク適応(LoRA)を多数のタスクに拡張すると、破滅的なパフォーマンス劣化を引き起こす。 規則化や動的ルーティングのような既存のソリューションは、基本的なトレードオフによって制約されるため、スケールで失敗するのです。 3つの新しい設計を持つスケーラブルなソリューションであるmtLoRAを提案する。
  論文  参考訳（メタデータ） (2026-03-02T06:57:11Z)
• 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)
• Learning Adaptive Parallel Reasoning with Language Models [70.1745752819628]
  本稿では,適応並列推論(Adaptive Parallel Reasoning, APR)を提案する。 APRは、spawn()とjoin()操作を使用して適応的なマルチスレッド推論を可能にすることで、既存の推論メソッドを一般化する。 鍵となる革新は、親と子の両方の推論スレッドを最適化して、事前に定義された推論構造を必要とせずにタスクの成功率を高める、エンドツーエンドの強化学習戦略である。
  論文  参考訳（メタデータ） (2025-04-21T22:29:02Z)

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。