論文の概要: When Context Hurts: The Crossover Effect of Knowledge Transfer on Multi-Agent Design Exploration

• arxiv url: http://arxiv.org/abs/2605.04361v1
• Date: Tue, 05 May 2026 23:46:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.580742
• Title: When Context Hurts: The Crossover Effect of Knowledge Transfer on Multi-Agent Design Exploration
• Title（参考訳）: コンテキストハルト:多エージェント設計探索における知識伝達のクロスオーバー効果
• Authors: Saranyan Vigraham,
• Abstract要約: エージェントオーケストレーションにおける一般的な前提は、より多くのコンテキストの方が優れているということです。 これを10タスク、コンテキスト注入条件7、および2700以上の実行にまたがるマルチエージェントソフトウェア設計でテストする。 同じアーティファクト型は、いくつかのタスクの設計探索を改善し、それを他のタスクで積極的に分解します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The prevailing assumption in agent orchestration is that more context is better. We test this on multi-agent software design across 10 tasks, 7 context-injection conditions, and over 2,700 runs, and find a crossover effect: the same artifact type improves design exploration on some tasks (up to 20$\times$ tradeoff coverage) and actively degrades it on others (up to 46% reduction). On several tasks, an irrelevant document performs as well as or better than every relevant artifact. The direction is predicted by a single measurable variable--baseline exploration without context--with Pearson $r = -0.82$ ($p < 0.001$). Probing the mechanism by manipulating convergence pressure through prompt design reveals two distinct regimes: convergence driven by training data priors (natural) responds to artifact disruption, while convergence driven by explicit instructions (induced) does not. The implication is that context injection should be conditional, not universal: one no-context trial is a cheap diagnostic that predicts whether knowledge artifacts will help or hurt a given task.
• Abstract（参考訳）: エージェントオーケストレーションにおける一般的な前提は、より多くのコンテキストの方が優れているということです。 同じアーティファクト型は、いくつかのタスク(最大20$\times$トレードオフカバレッジ)における設計探索を改善し、それを他のタスク(最大46%の削減)で積極的に分解します。 いくつかのタスクにおいて、無関係なドキュメントは、関連するすべてのアーティファクトと同じくらい、あるいはそれ以上に機能する。 Pearson $r = -0.82$$$ (p < 0.001$) である。 訓練データ(自然)によって駆動される収束は、人工的な破壊に応答するが、明示的な指示(誘導)によって駆動される収束は、そうではない。 意味するところは、コンテキスト注入は条件付きで、普遍的ではない、ということだ。 文脈なしの試行は、知識アーティファクトが与えられたタスクに役立つかどうかを予測する安価な診断である。

関連論文リスト

• Affordance Agent Harness: Verification-Gated Skill Orchestration [45.231685718099264]
  Affordance groundingは、オープンワールドのシーンでエージェントがどこでどのように対話すべきかを特定する必要がある。 本稿では,エビデンスストアとコストコントロールを備えたクローズドループランタイムであるAffordance Agent Harnessを提案する。
  論文  参考訳（メタデータ） (2026-05-01T13:45:16Z)
• From Multi-Agent to Single-Agent: When Is Skill Distillation Beneficial? [6.434750896227443]
  マルチエージェントシステム(MAS)は専門知識を分散することで複雑なタスクに対処するが、これは重度の調整オーバーヘッドの犠牲になることが多い。 スキルユーティリティはタスクではなく評価基準によって管理されていることを示す。 スキルユーティリティの先駆的な予測器であるMetric Freedom(F$)を紹介します。
  論文  参考訳（メタデータ） (2026-04-02T04:38:32Z)
• AgentProcessBench: Diagnosing Step-Level Process Quality in Tool-Using Agents [50.481033105867205]
  我々はAgentProcessBenchを紹介した。AgentProcessBenchは、現実的なツール拡張トラジェクトリにおけるステップレベルの有効性を評価するための最初のベンチマークである。 ベンチマークは、1,000の多様な軌跡と8,509の人間ラベル付きステップアノテーションと89.1%のアノテーション間合意で構成されている。 探索をキャプチャする3つのラベリングスキームと、ラベルのあいまいさを減らすためのエラー伝搬ルールを備えている。
  論文  参考訳（メタデータ） (2026-03-15T16:13:58Z)
• When Does Margin Clamping Affect Training Variance? Dataset-Dependent Effects in Contrastive Forward-Forward Learning [0.0]
  コントラストフォワード(Contrastive Forward-Forward, CFF)学習は、教師付きコントラスト目標に対して、ビジョントランスフォーマーを層別に層状化する。 比較損失における正対辺のマージンは、類似度クランプの飽和により適用される。 対数確率の後にマージンを減じる別の定式化が、平均-上-正の還元の下で勾配ニュートラルであることを証明する。
  論文  参考訳（メタデータ） (2026-03-01T07:00:38Z)
• Abduct, Act, Predict: Scaffolding Causal Inference for Automated Failure Attribution in Multi-Agent Systems [20.846301581161978]
  マルチエージェントシステムにおける障害帰属は、批判的だが未解決の課題である。 現在の手法では、これを長い会話ログ上のパターン認識タスクとして扱う。 A2P Scaffoldingは、パターン認識から構造化因果推論タスクへの障害帰属を変換する。
  論文  参考訳（メタデータ） (2025-09-12T16:51:15Z)
• Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
  フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。 現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。 情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
  論文  参考訳（メタデータ） (2025-03-21T18:06:28Z)
• Linear Contracts in Multitasking: Robustness, Uniformity, and Learning [2.296475290901356]
  線形契約の特殊クラスを, 堅牢性, 均一性, 学習の3つの視点から検討する。 オフライン環境で最適契約パラメータを推定したり、オンライン環境で最適契約を学習したりするためのインストゥルメンタル回帰手法を提案する。
  論文  参考訳（メタデータ） (2024-05-31T07:01:49Z)
• TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
  奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。 近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。 1)予測共分散は予測平均のランダム性を真に捉えているか? その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
  論文  参考訳（メタデータ） (2023-10-29T09:54:03Z)
• The Extraordinary Failure of Complement Coercion Crowdsourcing [50.599433903377374]
  クラウドソーシングは近年,言語アノテーションの収集を緩和し,スケールアップしている。 本研究の目的は,この現象の注釈付きデータを2つの既知のタスク – 明示的補完と自然言語推論 – に還元することで収集することである。 どちらの場合も、クラウドソーシングは合意のスコアが低かった。
  論文  参考訳（メタデータ） (2020-10-12T19:04:04Z)
• Hierarchical Reinforcement Learning as a Model of Human Task Interleaving [60.95424607008241]
  我々は、強化学習によって駆動される監督制御の階層モデルを開発する。 このモデルは、タスクインターリービングの既知の経験的効果を再現する。 その結果、階層的RLがタスクインターリービングのもっともらしいモデルとして支持された。
  論文  参考訳（メタデータ） (2020-01-04T17:53:28Z)

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。