論文の概要: Trade-offs in Decentralized Agentic AI Discovery Across the Compute Continuum

• arxiv url: http://arxiv.org/abs/2605.11839v1
• Date: Tue, 12 May 2026 09:25:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.751946
• Title: Trade-offs in Decentralized Agentic AI Discovery Across the Compute Continuum
• Title（参考訳）: 分散エージェントAI発見におけるコンピュータ連続体間のトレードオフ
• Authors: Patrizio Dazzi, Emanuele Carlini, Matteo Mordacchini, Saul Urso,
• Abstract要約: 本稿では,エージェント発見のための主要構造オーバレイファミリー間のトレードオフについて検討する。 目標は、エッジからクラウド環境にまたがるエージェント発見のために公開する運用ポイントを明確にすることである。
• 参考スコア（独自算出の注目度）: 0.6999740786886536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agentic systems deployed across the compute continuum need discovery mechanisms that remain effective across cloud, edge, and intermittently connected domains. In some emerging agentic architectures, decentralized discovery is already an active design direction, placing DHT-based lookup on the path toward agent directories. This paper studies the trade-offs among major structured-overlay families for agent discovery, comparing Chord, Pastry, and Kademlia as candidate indexing substrates within a shared control-plane framework. Using a benchmark subset centered on a 4096-node stationary comparison and a representative 4096-node churn benchmark, the paper characterizes how discovery reliability, startup behavior, and control-plane overhead vary across these overlays. The goal is to clarify the operating points they expose for agent discovery across edge-to-cloud environments.
• Abstract（参考訳）: 計算連続体にデプロイされるエージェントシステムは、クラウド、エッジ、断続的に接続されたドメインにわたって効果的に動作する発見メカニズムを必要とする。 いくつかの新興エージェントアーキテクチャでは、分散ディスカバリはすでにアクティブな設計方向であり、DHTベースのルックアップがエージェントディレクトリへのパスに置かれている。 本稿では,エージェント発見のための主要なオーバレイファミリー間のトレードオフについて検討し,共有制御プレーンフレームワーク内の候補インデックス化基板として,Cord,Pastery,Kademliaを比較した。 4096ノードの定常比較と代表的な4096ノードのチャーンベンチマークを中心としたベンチマークサブセットを用いて、これらのオーバーレイの発見信頼性、起動挙動、制御プレーンのオーバーヘッドがどのように異なるかを特徴付ける。 目標は、エッジからクラウド環境にまたがるエージェント発見のために公開する運用ポイントを明確にすることである。

関連論文リスト

• Evolutionary Ensemble of Agents [7.465452178698495]
  EvEは、分散化されたフレームワークであり、アルゴリズム発見のためのライブで共進化するシステムにコーディングエージェントを編成する。 2つの共進化する人口を維持することで、EvEはエージェントを同期レースを通じて評価し、経験的Elo格付けを更新する。 固定初期エージェントや凍結した「ベスト進化」エージェントによって駆動される変種と比較して、EvEは位相ミスマッチを独自に回避する。
  論文  参考訳（メタデータ） (2026-05-09T15:56:10Z)
• Usable Agent Discovery for Decentralized AI Systems [0.6999740786886536]
  大規模エージェントシステムは、多くのソフトウェアエージェントが物理ホストを共有し、ピアツーピアメカニズムを介して発見される分散インフラストラクチャ上で実行される。 障害からのノードレベルチャーンとホストの離脱、要求駆動のアクティベーション、不活性化、状態変更からのエージェントレベルチャーンを処理する必要がある。 ノードが複数のエージェントをホストしていると仮定し、オーバーレイは構造的またはゴシップ的であり、エージェントは温暖な状態と寒冷な状態に切り替える。
  論文  参考訳（メタデータ） (2026-04-25T00:21:35Z)
• Beyond detection: cooperative multi-agent reasoning for rapid onboard EO crisis response [39.146761527401424]
  危険事象の迅速同定は、次世代の地球観測ミッションに不可欠である。 現在の監視パイプラインは、ダウンリンクの制限、マルチソースデータ融合の制約、徹底的なシーン分析の計算コストによるレイテンシーを導入している。 本研究では,厳密なリソース制約と帯域幅制約下でのEO処理のための階層型マルチエージェントアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-03-20T11:20:03Z)
• Cloud-OpsBench: A Reproducible Benchmark for Agentic Root Cause Analysis in Cloud Systems [51.2882705779387]
  Cloud-OpsBenchは、State Snapshot Paradigmを使用して、クラウドの決定論的デジタルツインを構築する大規模なベンチマークである。 フルスタックにまたがる40の根本原因タイプに452の障害ケースがある。
  論文  参考訳（メタデータ） (2026-02-28T05:04:42Z)
• The Why Behind the Action: Unveiling Internal Drivers via Agentic Attribution [63.61358761489141]
  LLM(Large Language Model)ベースのエージェントは、カスタマーサービス、Webナビゲーション、ソフトウェアエンジニアリングといった現実世界のアプリケーションで広く使われている。 本稿では,タスク結果に関係なく,エージェントの動作を駆動する内部要因を識別する,テキスト汎用エージェント属性のための新しいフレームワークを提案する。 標準ツールの使用やメモリ誘起バイアスのような微妙な信頼性リスクなど、さまざまなエージェントシナリオでフレームワークを検証する。
  論文  参考訳（メタデータ） (2026-01-21T15:22:21Z)
• Agent Identity URI Scheme: Topology-Independent Naming and Capability-Based Discovery for Multi-Agent Systems [0.0]
  マルチエージェントシステムは基本的なアーキテクチャ上の欠陥に直面している。 我々は、トポロジから3つのコンポーネントを通してアイデンティティを分離する Agent:// scheme を提案する。 組織権限を確立する信頼根、階層的な能力パス、ソート可能なユニークな識別子は安定した参照を提供する。
  論文  参考訳（メタデータ） (2026-01-21T01:09:22Z)
• 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)
• Training-Free Out-Of-Distribution Segmentation With Foundation Models [38.00668980035719]
  大規模な視覚基盤モデル、例えば、DINOv2、InternImage、CLIPは、多様なタスクをうまく一般化する豊富な機能を提供することで、高度な視覚表現学習を提供する。 我々は、InternImageのバックボーンの機能を活用し、生デコーダログの信頼しきい値とK-Meansクラスタリングを適用して、OoDクラスタを識別する、トレーニング不要なアプローチを提案する。 Intern Image-L を用いた ADE-OoD のベンチマークでは, 平均50.02 精度と48.77 精度を達成し, 教師付きベースラインと教師なしベースラインを超越した。
  論文  参考訳（メタデータ） (2025-10-03T11:27:40Z)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)
• Scalable Multi-agent Covering Option Discovery based on Kronecker Graphs [49.71319907864573]
  本稿では,分解が容易なマルチエージェントスキル発見法を提案する。 我々のキーとなる考え方は、合同状態空間をクロネッカーグラフとして近似することであり、そのフィドラーベクトルを直接見積もることができる。 ラプラシアンスペクトルを直接計算することは、無限大の状態空間を持つタスクには難易度が高いことを考慮し、さらに本手法の深層学習拡張を提案する。
  論文  参考訳（メタデータ） (2023-07-21T14:53:12Z)
• Brainstorming Generative Adversarial Networks (BGANs): Towards Multi-Agent Generative Models with Distributed Private Datasets [70.62568022925971]
  生成的敵ネットワーク(GAN)は、データ空間を適切に表現する大規模なデータセットによって供給されなければならない。 多くのシナリオでは、利用可能なデータセットは制限され、複数のエージェントに分散する可能性がある。 本稿では,BGAN(Breepstorming GAN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-02T02:58:32Z)

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。