論文の概要: LLM-X: A Scalable Negotiation-Oriented Exchange for Communication Among Personal LLM Agents
- arxiv url: http://arxiv.org/abs/2605.11376v1
- Date: Tue, 12 May 2026 01:04:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-13 21:48:56.502995
- Title: LLM-X: A Scalable Negotiation-Oriented Exchange for Communication Among Personal LLM Agents
- Title（参考訳）: LLM-X:パーソナルLLMエージェント間の通信のためのスケーラブルなネゴシエーション指向交換
- Authors: Giuliano Lorenzoni, Paulo Alencar, Donald Cowan,
- Abstract要約: 我々は,個人エージェント(LLM)の集団間で直接的かつ構造化されたコミュニケーションを可能にする,スケーラブルな交渉指向環境を提案する。
異なる交渉方針(低、中、高)の下での5,9,12人のエージェントによる実験
厳格なポリシーは堅牢性を改善するが、レイテンシとメッセージボリュームを増加させる。
- 参考スコア（独自算出の注目度）: 0.3568466510804538
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a personal-LLM exchange (LLM-X), a scalable negotiation-oriented environment that enables direct, structured communication across populations of personal agents (LLMs), each representing an individual user. Unlike existing tool-centric protocols that focus on agent-API interaction, LLM-X introduces a message bus and routing substrate for LLM-to-LLM coordination with guarantees around schema validity and policy enforcement. We contribute: (1) an architecture for LLM-X comprising federated gateways, topic-based routing, and policy enforcement; (2) a typed message protocol supporting capability negotiation and contract-net-style coordination; and (3) the first empirical evaluation of LLM-based multi-agent negotiation at scale. Experiments span 5, 9, and 12 agents, under distinct negotiation policies (Low, Medium, High), and across both short-run (minutes) and long-run (2h, 12h) load conditions. Results highlight clear policy-performance trade-offs: stricter policies improve robustness and fairness but increase latencies and message volume. Extended runs confirm that LLM-X remains stable under sustained load, with bounded latency drift.
- Abstract（参考訳）: 個人エージェント(LLM)の集団間で直接的かつ構造化されたコミュニケーションを可能にする,スケーラブルな交渉指向環境であるPersonal-LLM交換(LLM-X)を提案する。
エージェントAPIインタラクションに重点を置く既存のツール中心のプロトコルとは異なり、LLM-Xでは、スキーマの妥当性とポリシーの施行に関する保証と、LLM-to-LLM調整のためのメッセージバスとルーティング基板が導入されている。
筆者らは,(1)連合ゲートウェイ,トピックベースのルーティング,政策執行を含むLLM-Xアーキテクチャ,(2)能力交渉と契約-ネット方式の協調を支援するタイプドメッセージプロトコル,(3)大規模なLLMベースのマルチエージェント交渉の実証的評価を行う。
実験は5、5、9、12のエージェント、異なる交渉方針(ロウ、ミディアム、ハイ)、および短期(数分)と長期(2時間、12時間)の負荷条件にまたがる。
厳格なポリシーは堅牢性と公正性を改善するが、レイテンシとメッセージボリュームを増加させる。
拡張実行では、LLM-Xが持続的な負荷下で安定であり、バウンドレイテンシドリフトが保証される。
関連論文リスト
- DLM: Unified Decision Language Models for Offline Multi-Agent Sequential Decision Making [6.405773239987913]
決定言語モデル(DLM)は対話型シーケンス予測問題として多エージェント決定を定式化する。
実験により、統合DLMは、強いオフラインMARLベースラインとLLMに基づく会話的意思決定方法よりも優れていることが示された。
論文 参考訳（メタデータ） (2026-04-26T06:34:21Z) - Towards Adaptive, Scalable, and Robust Coordination of LLM Agents: A Dynamic Ad-Hoc Networking Perspective [31.81236449944822]
RAPSは、LLMエージェントの適応性、拡張性、堅牢な調整のための、評判の高いパブリッシュ・サブスクライブ・パラダイムである。
RAPSは2つの一貫性のあるオーバーレイを組み込んでいる: (i) リアクティブ・サブスクライブ(reactive Subscription) エージェントがその意図を動的に洗練することを可能にし、 (ii) ベイジアン・レピュテーション(Bayesian Reputation)。
論文 参考訳（メタデータ） (2026-02-08T15:26:02Z) - Federated Learning-Enabled Hybrid Language Models for Communication-Efficient Token Transmission [87.68447072141402]
ハイブリッド言語モデル(HLM)は、エッジデバイス上でのSLM(Small Language Model)の低レイテンシ効率と、集中型サーバ上でのLLM(Large Language Model)の高精度を組み合わせたものである。
我々は、不確実性を考慮した推論とフェデレートラーニング(FL)を統合する通信効率の高いHLMフレームワークであるFedHLMを提案する。
論文 参考訳（メタデータ） (2025-06-30T02:56:11Z) - AnyMAC: Cascading Flexible Multi-Agent Collaboration via Next-Agent Prediction [77.62279834617475]
本稿では,グラフ構造ではなくシーケンシャル構造を用いて,マルチエージェント協調を再考するフレームワークを提案する。
提案手法は,(1)各ステップで最も適したエージェントロールを選択するNext-Agent Predictionと,(2)各エージェントが前ステップから関連する情報にアクセスできるようにするNext-Context Selectionの2つの重要な方向に焦点を当てる。
論文 参考訳（メタデータ） (2025-06-21T18:34:43Z) - Talk Structurally, Act Hierarchically: A Collaborative Framework for LLM Multi-Agent Systems [10.67359331022116]
textitTalk 構造的には、Act Hierarchically (TalkHier) はコンテキスト豊富な交換のための構造化通信プロトコルを導入する新しいフレームワークである。
textitTalkHierは、推論スケーリングモデル(OpenAI-o1)、オープンソースのマルチエージェントモデル(AgentVerseなど)など、さまざまな種類のSoTAを追い越している。
論文 参考訳（メタデータ） (2025-02-16T12:26:58Z) - Procedural Adherence and Interpretability Through Neuro-Symbolic Generative Agents [0.9886108751871757]
本稿では,形式論理に基づくプログラム合成とLCMコンテンツ生成を組み合わせることで,生成エージェントの動作に対する手続き的順守と解釈可能性の保証を実現する。
手続き的付着と解釈可能性の利点を説明するために,エージェントに解釈可能な高レベル時間構造を強制するオートマトンを生成するためにテンポラルストリーム論理(TSL)を用いる。
論文 参考訳（メタデータ） (2024-02-24T21:36:26Z) - Assistive Large Language Model Agents for Socially-Aware Negotiation Dialogues [47.977032883078664]
我々は,ビジネス交渉における対話者を支援する大規模言語モデル(LLM)に基づく支援エージェントを開発する。
第3のLLMは、交渉結果を改善するための基準に違反した発話を書き換える仲介役として機能する。
3つの異なる交渉トピックにわたる交渉において,その効果を示すための実証的証拠を豊富に提供する。
論文 参考訳（メタデータ） (2024-01-29T09:07:40Z) - Adapting LLM Agents with Universal Feedback in Communication [42.42697243815094]
我々は,Learning through Communication (LTC)を導入し,大規模言語モデル(LLM)エージェントの訓練を容易にする。
全てのフィードバックを格納するためのユニバーサルバッファと、LCMエージェントがポリシーを探索して更新できるように反復パイプラインを設計する。
4つの多様なデータセットに対するLCCアプローチの有効性を評価した。
論文 参考訳（メタデータ） (2023-10-01T07:50:30Z) - AgentBench: Evaluating LLMs as Agents [99.12825098528212]
エージェントとしてのLarge Language Model (LLM)は近年広く認知されている。
我々は,LLM-as-Agentの推論と意思決定能力を評価するために,8つの異なる環境からなるベンチマークであるAgentBenchを提案する。
論文 参考訳（メタデータ） (2023-08-07T16:08:11Z) - Coordinating Policies Among Multiple Agents via an Intelligent
Communication Channel [81.39444892747512]
MARL(Multi-Agent Reinforcement Learning)では、エージェントが直接通信できる特別なチャンネルがしばしば導入される。
本稿では,エージェントの集団的性能を向上させるために,エージェントが提供した信号の伝達と解釈を学習する,インテリジェントなファシリテータを通じてエージェントがコミュニケーションする手法を提案する。
論文 参考訳（メタデータ） (2022-05-21T14:11:33Z)
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。