論文の概要: NeuroMAS: Multi-Agent Systems as Neural Networks with Joint Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2605.16757v1
• Date: Sat, 16 May 2026 02:11:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.008003
• Title: NeuroMAS: Multi-Agent Systems as Neural Networks with Joint Reinforcement Learning
• Title（参考訳）: NeuroMAS: 関節強化学習によるニューラルネットワークとしてのマルチエージェントシステム
• Authors: Haoran Lu, Luyang Fang, Wenxuan Zhong, Ping Ma,
• Abstract要約: マルチエージェント言語システムのためのトレーニング可能でスケーラブルなニューラルネットワークのようなアーキテクチャとしてNeuroMASを提案する。 我々は,NeuroMASは推論時間と訓練されたマルチエージェントベースラインの両方で有意に改善することを示した。 より大規模なシステムは、スクラッチからトレーニングすることは難しいが、より小さな訓練されたシステムから徐々に成長していくと実現しやすくなる。
• 参考スコア（独自算出の注目度）: 7.167256048138654
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-agent language systems are often built as hand-designed workflows, where agents are assigned semantic roles and communication protocols are specified in advance. We propose NeuroMAS, a method that first treats a multi-agent language system as a trainable and scalable neural-network-like architecture with LLM agents as nodes and intermediate textual signals as edges. In NeuroMAS, agent nodes are role-free but structure-aware: the topology only determines how information can flow in general, while reinforcement learning training determines how nodes communicate, specialize, and coordinate. This formulation shifts multi-agent design from workflow engineering toward architecture design, where depth, width, connectivity, and growth protocol become scalable sources of capability. Further, we provide a theoretical perspective showing why such modular textual computation is more parameter-efficient when tasks admit hierarchical decompositions. Experiments show that NeuroMAS improves significantly over both inference-time and trained multi-agent baselines. We further find that organizational scaling is path-dependent: larger systems can be challenging to train from scratch, but become feasible when grown progressively from smaller trained systems. These results suggest that learned neural multi-agent systems are a promising scaling axis for LLMs.
• Abstract（参考訳）: マルチエージェント言語システムは、しばしば手書きのワークフローとして構築され、エージェントが割り当てられたセマンティックロールと、事前に通信プロトコルが指定される。 我々は,まずマルチエージェント言語システムを,LLMエージェントをノードとして,中間テキスト信号をエッジとして,トレーニング可能でスケーラブルなニューラルネットワークのようなアーキテクチャとして扱う方法であるNeuroMASを提案する。 NeuroMASでは、エージェントノードはロールフリーだが構造認識であり、トポロジは情報のフローを一般に決定するだけであり、強化学習トレーニングはノード間の通信、特殊化、コーディネートを決定する。 この定式化は、マルチエージェント設計をワークフローエンジニアリングからアーキテクチャ設計に移行させ、奥行き、幅、接続性、成長プロトコルがスケーラブルな機能源となる。 さらに、タスクが階層的な分解を許容する場合、なぜそのようなモジュラーテキスト計算がパラメータ効率が高いのかを示す理論的視点を提供する。 実験によると、NeuroMASは推論時間と訓練されたマルチエージェントベースラインの両方で大幅に改善されている。 より大きなシステムはスクラッチからトレーニングすることは困難ですが、より小さなトレーニングされたシステムから徐々に成長すれば実現可能です。 これらの結果から,学習したニューラルマルチエージェントシステムはLSMにとって有望なスケーリング軸であることが示唆された。

関連論文リスト

• NeuroClaw Technical Report [54.14941057366186]
  NeuroClawは、神経イメージング研究のためのドメイン特化マルチエージェント研究アシスタントである。 NeuroClawは、フォーマットとモダリティをまたいだ生のニューロイメージングデータを直接運用する。 3階層のスキル/エージェント階層は、ユーザとのインタラクション、高レベルのオーケストレーション、低レベルのツールスキルを分離する。
  論文  参考訳（メタデータ） (2026-04-27T16:57:14Z)
• Rethinking Multi-Agent Intelligence Through the Lens of Small-World Networks [14.233668486426795]
  大規模言語モデル(LLM)は、複雑なタスクを解決するために複数のエージェントが主張し、批判し、調整するマルチエージェントシステム(MAS)を可能にした。 既存の LLM ベースの MAS は、完全な連結グラフ、単純なスパース環、あるいはアドホックな動的選択をほとんど構造的なガイダンスなしで採用している。 まず、神経科学と複雑なネットワークからMASへの洞察をブリッジし、SW構造がどのように局所的なクラスタリングと長距離統合のバランスをとるかを強調します。 実験の結果,SW接続の精度とトークンコストはほぼ同じであり,コンセンサストラジェクトリは実質的に安定していることがわかった。
  論文  参考訳（メタデータ） (2025-12-19T22:05:43Z)
• AgentsNet: Coordination and Collaborative Reasoning in Multi-Agent LLMs [8.912989700822127]
  マルチエージェント推論のための新しいベンチマークである AgentsNet を提案する。 我々はエージェントの同種ネットワークを含むエージェントネット上の様々なベースライン手法を評価する。 一部のフロンティアLSMは、既に小規模ネットワークに対して強力な性能を示しているが、ネットワークの規模が大きくなると崩壊し始める。
  論文  参考訳（メタデータ） (2025-07-11T14:13:22Z)
• Agentic Neural Networks: Self-Evolving Multi-Agent Systems via Textual Backpropagation [29.45297422127962]
  階層型ニューラルネットワークアーキテクチャとしてマルチエージェントコラボレーションを概念化するフレームワークを提案する。 この設計では、各エージェントはノードとして動作し、各レイヤは特定のサブタスクに焦点を当てた「チーム」を形成する。 この結果から,ANNはマルチエージェントシステムのためのスケーラブルでデータ駆動型フレームワークであることがわかった。
  論文  参考訳（メタデータ） (2025-06-10T17:59:21Z)
• Dynamic Inference with Neural Interpreters [72.90231306252007]
  本稿では,モジュールシステムとしての自己アテンションネットワークにおける推論を分解するアーキテクチャであるNeural Interpretersを提案する。 モデルへの入力は、エンドツーエンドの学習方法で一連の関数を通してルーティングされる。 ニューラル・インタープリタは、より少ないパラメータを用いて視覚変換器と同等に動作し、サンプル効率で新しいタスクに転送可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-12T23:22:45Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• A multi-agent model for growing spiking neural networks [0.0]
  このプロジェクトでは、学習メカニズムとして、スパイキングニューラルネットワークのニューロン間の接続を拡大するためのルールについて検討している。 シミュレーション環境での結果は、与えられたパラメータセットに対して、テストされた関数を再現するトポロジに到達可能であることを示した。 このプロジェクトはまた、モデルパラメーターに最適な値を得るために、遺伝的アルゴリズムのようなテクニックを使用するための扉を開く。
  論文  参考訳（メタデータ） (2020-09-21T15:11:29Z)
• Automated Search for Resource-Efficient Branched Multi-Task Networks [81.48051635183916]
  我々は,多タスクニューラルネットワークにおける分岐構造を自動的に定義する,微分可能なニューラルネットワーク探索に根ざした原理的アプローチを提案する。 本手法は,限られた資源予算内で高い性能の分岐構造を見いだすことができる。
  論文  参考訳（メタデータ） (2020-08-24T09:49:19Z)
• Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
  我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。 我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-07-27T12:38:37Z)
• Large-Scale Gradient-Free Deep Learning with Recursive Local Representation Alignment [84.57874289554839]
  大規模データセット上でディープニューラルネットワークをトレーニングするには、重要なハードウェアリソースが必要である。 これらのネットワークをトレーニングするためのワークホースであるバックプロパゲーションは、本質的に並列化が難しいシーケンシャルなプロセスである。 本稿では、深層ネットワークのトレーニングに使用できるバックプロップに代わる、神経生物学的に有望な代替手段を提案する。
  論文  参考訳（メタデータ） (2020-02-10T16:20:02Z)

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。