論文の概要: Learning Transferable Topology Priors for Multi-Agent LLM Collaboration Across Domains

• arxiv url: http://arxiv.org/abs/2605.17359v1
• Date: Sun, 17 May 2026 09:55:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.920568
• Title: Learning Transferable Topology Priors for Multi-Agent LLM Collaboration Across Domains
• Title（参考訳）: ドメイン間の多エージェントLLM協調のための伝達可能なトポロジーの事前学習
• Authors: Taolin Zhang, Zijie Zhou, Jiuheng Wan, Tingyuan Hu, Chengyu Wang, Xiaofeng He, Richang Hong,
• Abstract要約: TopoPriorは、ドメイン間のマルチエージェントLLMコラボレーションのために、転送可能なトポロジを学習するためのフレームワークである。 TopoPriorは、オンラインの推論時間トークンの使用を減らしながら、不均一なトポロジ進化のバックボーンを継続的に改善することを示す。
• 参考スコア（独自算出の注目度）: 49.97473730863181
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM)-based multi-agent systems have shown strong potential for complex reasoning by coordinating specialized agents through structured communication. However, existing topology-evolution methods typically construct or optimize a collaboration topology for each query from scratch, leading to substantial online search overhead, high inference-time token consumption, and limited scalability in multi-domain settings. We propose TopoPrior, a framework for learning transferable topology priors for multi-agent LLM collaboration across domains. Rather than repeatedly searching for effective collaboration structures online, TopoPrior learns reusable topology priors from reference collaboration graphs collected offline from multiple domains and uses them to generate query-conditioned initial collaboration graphs for downstream refinement. By shifting part of topology search from per-query online optimization to offline prior learning, TopoPrior amortizes search cost while remaining compatible with existing topology-evolution backbones. Technically, TopoPrior contains two key components. First, a transferable topology prior learning module employs a conditional variational graph framework to capture reusable structural regularities across domains in a latent space. Second, a query-conditioned latent adaptation module introduces adversarial alignment to reduce unnecessary domain discrepancy while preserving query-relevant structural variation. Experiments on multi-domain reasoning benchmarks show that TopoPrior consistently improves several heterogeneous topology-evolution backbones while reducing online inference-time token usage, with only modest additional trainable parameters. These results suggest that transferable topology initialization is an effective and lightweight mechanism for improving the efficiency of multi-agent LLM collaboration across domains.
• Abstract（参考訳）: 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では, 構造化通信による特殊エージェントの調整により, 複雑な推論の可能性が強い。 しかし、既存のトポロジ進化法は、通常、各クエリの協調トポロジをスクラッチから構築または最適化する。 TopoPriorは、ドメイン間のマルチエージェントLLMコラボレーションのための転送可能なトポロジを学習するためのフレームワークである。 TopoPriorは、オンライン上で効果的なコラボレーション構造を何度も探すのではなく、複数のドメインからオフラインで収集された参照コラボレーショングラフから再利用可能なトポロジを学習し、ダウンストリームの洗練のためにクエリ条件付きの初期コラボレーショングラフを生成する。 TopoPriorは、トポロジ検索の一部をクエリごとのオンライン最適化からオフラインの事前学習に移行することで、既存のトポロジ進化バックボーンとの互換性を維持しながら、検索コストを償却する。 技術的には、TopoPriorには2つの重要なコンポーネントが含まれている。 第一に、転送可能なトポロジ事前学習モジュールは、条件付き変分グラフフレームワークを使用して、潜在空間におけるドメイン間の再利用可能な構造規則性をキャプチャする。 第二に、クエリ条件付き潜時適応モジュールは、クエリ関連構造変化を保ちながら、不要なドメインの不一致を低減するために、逆アライメントを導入する。 マルチドメイン推論ベンチマークの実験によると、TopoPriorはトレーニング可能なパラメータをわずかに追加するだけで、オンラインの推論時間トークンの使用を減らしながら、不均一なトポロジ進化バックボーンを継続的に改善している。 これらの結果は、転送可能なトポロジ初期化は、ドメイン間のマルチエージェントLLMコラボレーションの効率を改善するための効果的で軽量なメカニズムであることを示している。

関連論文リスト

• \textsc{MasFACT}: Continual Multi-Agent Topology Learning via Geometry-Aware Posterior Transfer [23.671332617828977]
  大規模言語モデル(LLM)を利用したマルチエージェントシステム(MAS)が,複雑な問題解決のための強力なパラダイムとして登場した。 既存のトポロジ生成手法は主に独立したタスクを最適化するが、実際のデプロイメントには進化するタスクのストリームが含まれる。 新しいタスクに適応することで、トポロジージェネレータを以前のタスクが必要とする通信構造から切り離すことができる。 textbftextscMasFACTは、過去のコラボレーション知識を転送可能なトポロジとして保存し再利用する幾何学的に認識された後継転送フレームワークである。
  論文  参考訳（メタデータ） (2026-05-17T09:58:58Z)
• HMACE: Heterogeneous Multi-Agent Collaborative Evolution for Combinatorial Optimization [19.90781293176099]
  HMACEは異種多言語協調進化フレームワークである。 それぞれの進化生成を4つの調整されたエージェントで自律的で役割特異的なループに分解する。 冗長な評価を避けながら、多様で有望な行動への探索を導く。
  論文  参考訳（メタデータ） (2026-05-08T04:02:28Z)
• Retrieval-Conditioned Topology Selection with Provable Budget Conservation for Multi-Agent Code Generation [0.0]
  Retrieval-Guided Adaptive Orchestration (RGAO) は階層コードインデックスから構造複雑性ベクトルを抽出してループを閉じるアーキテクチャである。 RGAOは、サブエージェントが6次元の予算ベクトルによる正式な契約によって管理されるマルチエージェントフレームワークであるCode-Agent内で動作する。
  論文  参考訳（メタデータ） (2026-05-07T04:18:53Z)
• MetaGen: Self-Evolving Roles and Topologies for Multi-Agent LLM Reasoning [11.023742160114763]
  推論時に役割空間とコラボレーショントポロジの両方を適応させる、トレーニング不要のフレームワークであるMetaGenを紹介します。 MetaGenは、強力なマルチエージェントベースラインに対する精度とコストのトレードオフを改善する。
  論文  参考訳（メタデータ） (2026-01-27T07:24:35Z)
• OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
  マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。 現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。 自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
  論文  参考訳（メタデータ） (2026-01-19T12:23:44Z)
• 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)
• 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)
• Multi-Agent Collaboration via Evolving Orchestration [55.574417128944226]
  大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。 LLMに基づくマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し,タスク状態の進化に応じて,中央集権的なオーケストレータ("puppeteer")がエージェント("puppets")を動的に指示する。 クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2025-05-26T07:02:17Z)

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。