論文の概要: RADAR: Redundancy-Aware Diffusion for Multi-Agent Communication Structure Generation

• arxiv url: http://arxiv.org/abs/2605.09907v1
• Date: Mon, 11 May 2026 02:50:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.483024
• Title: RADAR: Redundancy-Aware Diffusion for Multi-Agent Communication Structure Generation
• Title（参考訳）: RADAR:マルチエージェント通信構造生成のための冗長性を考慮した拡散
• Authors: Zhen Zhang, Wanjing Zhou, Juncheng Li, Hao Fei, Jun Wen, Wei Ji,
• Abstract要約: 本稿では,冗長性を考慮したクエリ適応型生成フレームワークRADARを紹介する。 通信トポロジ設計をステップバイステップ生成プロセスとして定式化し,グラフの有効サイズを導出する。 6つのベンチマークの実験は、RADARが最近のベースラインを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 22.442882988401866
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Compared with individual agents, large language model based multi-agent systems have shown great capabilities consistently across diverse tasks, including code generation, mathematical reasoning, and planning, etc. Despite their impressive performance, the effectiveness and robustness of these systems heavily rely on their communication topology, which is often fixed or generated in a single step. This restricts fine-grained structural exploration and flexible composition, resulting in excessive token utilization on simple tasks while limiting capability on complicated tasks. To mitigate this challenge, we introduce RADAR, a redundancy-aware and query-adaptive generative framework that actively reduce communication overhead. Motivated by recent progress in conditional discrete graph diffusion models, we formulate communication topology design as a step-by-step generation process, guided by the effective size of the graph. Comprehensive experiments on six benchmarks demonstrate that RADAR consistently outperforms recent baselines, achieving higher accuracy, lower token consumption, and greater robustness across diverse scenarios. Our code and data are available at https://github.com/cszhangzhen/RADAR.
• Abstract（参考訳）: 個々のエージェントと比較して、大規模言語モデルに基づくマルチエージェントシステムは、コード生成、数学的推論、計画など、さまざまなタスクに対して一貫して優れた機能を示している。 優れた性能にもかかわらず、これらのシステムの有効性と堅牢性は通信トポロジに大きく依存している。 これにより微細な構造探索とフレキシブルな構成が制限され、単純なタスクでは過剰なトークンが使われ、複雑なタスクでは能力が制限される。 この課題を軽減するために,通信オーバヘッドを積極的に低減する冗長性を考慮したクエリ適応型生成フレームワークRADARを導入する。 近年の離散グラフ拡散モデルの発展により,グラフの有効サイズによって導かれるステップバイステップ生成プロセスとして,通信トポロジ設計を定式化している。 6つのベンチマークに関する総合的な実験では、RADARが最近のベースラインを一貫して上回り、より高い精度、トークン消費の低減、さまざまなシナリオにおける堅牢性の向上を実現している。 私たちのコードとデータはhttps://github.com/cszhangzhen/RADAR.comで公開されています。

関連論文リスト

• M$^3$Prune: Hierarchical Communication Graph Pruning for Efficient Multi-Modal Multi-Agent Retrieval-Augmented Generation [18.091284320771006]
  本稿では,M$3$Prune と呼ばれる新しいマルチモーダルマルチエージェント階層型通信グラフ PRUNing フレームワークを提案する。 当社のフレームワークは,タスクパフォーマンスとトークンオーバーヘッドの最適バランスを達成するために,さまざまなモダリティをまたいだ冗長なエッジを排除します。 本手法はシングルエージェントとロバストマルチエージェントのmRAGシステムにおいて一貫して性能を向上する。
  論文  参考訳（メタデータ） (2025-11-25T06:29:13Z)
• Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
  我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。 条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。 各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。 実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T05:28:28Z)
• AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
  tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。 エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
  論文  参考訳（メタデータ） (2025-10-06T23:20:49Z)
• MHA-RAG: Improving Efficiency, Accuracy, and Consistency by Encoding Exemplars as Soft Prompts [3.631974475748162]
  トレーニングデータに制限のある新しいドメインにファンデーションモデルを適用するのは難しく、計算コストも高い。 本研究は,文章を純粋に表現することが,最も効率的,効果的,かつ安定なアプローチであるかどうかを考察する。 我々は、例題不変モデルアーキテクチャを用いて、例題をソフトプロンプトとして表現する選択肢を探究する。
  論文  参考訳（メタデータ） (2025-10-06T20:41:43Z)
• Assemble Your Crew: Automatic Multi-agent Communication Topology Design via Autoregressive Graph Generation [91.17994756436259]
  大規模言語モデル(LLM)に基づくマルチエージェントシステム(MAS)は、多様な領域にわたる複雑な問題を扱うための強力なソリューションとして登場した。 既存のアプローチは、事前に定義されたエージェントセットとハードコードされた相互作用構造を持つテンプレートグラフ修正パラダイムに依存しているため、基本的に制限されている。 協調グラフをスクラッチから構築することで、このパラダイムを運用する新しい自己回帰モデルであるARG-Designerを提案する。
  論文  参考訳（メタデータ） (2025-07-24T09:17:41Z)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)
• Adaptive Message Passing: A General Framework to Mitigate Oversmoothing, Oversquashing, and Underreaching [23.487431014596556]
  長距離相互作用は、多くの科学分野における複雑なシステムの正しい記述に不可欠である。 ほとんどのディープグラフネットワークは、(同期)メッセージパッシングの固有の制限のため、実際には長距離依存をモデル化できません。 この研究は、これらの制限を緩和する一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-27T12:49:27Z)
• Soft Hierarchical Graph Recurrent Networks for Many-Agent Partially Observable Environments [9.067091068256747]
  本稿では,階層型グラフ再帰ネットワーク(HGRN)と呼ばれる新しいネットワーク構造を提案する。 以上の技術に基づいて,Soft-HGRNと呼ばれる値に基づくMADRLアルゴリズムと,SAC-HRGNというアクタクリティカルな変種を提案する。
  論文  参考訳（メタデータ） (2021-09-05T09:51:25Z)

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。