論文の概要: \textsc{MasFACT}: Continual Multi-Agent Topology Learning via Geometry-Aware Posterior Transfer

• arxiv url: http://arxiv.org/abs/2605.17361v1
• Date: Sun, 17 May 2026 09:58:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.922601
• Title: \textsc{MasFACT}: Continual Multi-Agent Topology Learning via Geometry-Aware Posterior Transfer
• Title（参考訳）: \textsc{MasFACT}:幾何認識後移動による連続的マルチエージェントトポロジー学習
• Authors: Xuefei Wang, Jialu Wang, Fengbo Zhang, Yihan Hu, Di Zhang, Yutong Ye, Yikun Ban, Jun Han, Ruijie Wang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 23.671332617828977
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent systems (MAS) powered by large language models (LLMs) have emerged as a powerful paradigm for complex problem solving, where performance critically depends on the underlying inter-agent communication topology. However, existing topology generation methods mainly optimize for isolated tasks, while real-world deployments involve streams of evolving tasks, requiring previously effective collaboration patterns to be retained and reused rather than rediscovered or overwritten. We identify a previously underexplored failure mode, \emph{topology forgetting}, in which adapting to new tasks shifts the topology generator away from communication structures required by earlier tasks. This issue stems from cross-task misalignment in both agent-level functional semantics and relational communication structures. To address this challenge, we propose \textbf{\textsc{MasFACT}}, a geometry-aware posterior transfer framework that preserves and reuses historical collaboration knowledge as transferable topology priors. We transfer these priors across task-specific agent spaces through Fused Gromov-Wasserstein optimal transport and perform PAC-Bayes-guided conservative posterior adaptation to balance task-specific plasticity with structural stability. Experiments across class-, domain-, and task-level continual settings demonstrate that \textsc{MasFACT} consistently improves average accuracy while reducing topology forgetting compared to strong topology generation and replay-based baselines, and can be seamlessly integrated with different MAS topology generators.
• Abstract（参考訳）: 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)は、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、パフォーマンスはエージェント間通信のトポロジに大きく依存している。 しかし、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、現実のデプロイメントには進化するタスクのストリームが伴う。 我々は、新しいタスクに適応することで、以前のタスクが必要とする通信構造からトポロジ生成体を逸脱させる、未探索の障害モード \emph{topology forgetting} を特定する。 この問題は、エージェントレベルの機能的セマンティクスとリレーショナルコミュニケーション構造の両方において、タスク間のミスアライメントに起因している。 この課題に対処するために,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・再利用する,幾何学を意識した後続転送フレームワークである \textbf{\textsc{MasFACT}} を提案する。 本研究では,これらの前駆体をFused Gromov-Wasserstein の最適輸送を介してタスク固有のエージェント空間に移動させ,PAC-Bayes 誘導後続適応を行い,タスク固有の可塑性と構造安定性のバランスをとる。 クラスレベル、ドメインレベル、タスクレベルの連続的な設定による実験では、‘textsc{MasFACT} は強いトポロジ生成やリプレイベースのベースラインと比較してトポロジの忘れを減らしながら、平均精度を一貫して改善し、異なるMASトポロジジェネレータとシームレスに統合できることが示されている。

関連論文リスト

• Learning Transferable Topology Priors for Multi-Agent LLM Collaboration Across Domains [49.97473730863181]
  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。
  論文  参考訳（メタデータ） (2026-05-17T09:55:18Z)
• TacoMAS: Test-Time Co-Evolution of Topology and Capability in LLM-based Multi-Agent Systems [55.81570336226014]
  動的マルチエージェントシステムのためのテスト時間共進化フレームワークであるTacoMASを紹介する。 TacoMASはMAS推論をオンライングラフ適応のタスクとして定式化し、ノードは役割固有の能力を持つエージェントを表し、エッジはその通信トポロジを定義する。 4つのベンチマークの実験では、TacoMASは20近いマルチエージェントベースラインを上回り、最強ベースラインよりも平均13.3%向上した。
  論文  参考訳（メタデータ） (2026-05-10T13:52:00Z)
• TRACER: Texture-Robust Affordance Chain-of-Thought for Deformable-Object Refinement [37.77903164878976]
  TRACER は Texture-Robust Affordance Chain-of- Thought with dEformable-object Refinement framework である。 セマンティック推論から外見が損なわれ、物理的に一貫した機能領域の洗練まで、階層横断的なマッピングを提供する。 Fine-AGDDO15データセットと実世界のロボットプラットフォームで実施された実験は、TRACERが精度を著しく向上することを示した。
  論文  参考訳（メタデータ） (2026-01-28T03:12:18Z)
• 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)
• 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)
• Towards Robust and Realistic Human Pose Estimation via WiFi Signals [85.60557095666934]
  WiFiベースの人間のポーズ推定は、離散的で微妙なWiFi信号を人間の骨格にブリッジする難しいタスクである。 本論文は,本問題を再検討し,(1)ドメイン間ギャップ,(2)ソース・ターゲット領域のポーズ分布の顕著な変化,(2)骨格のポーズが歪んだトポロジーを示す構造的フィデリティギャップ,の2つの重要な問題を明らかにする。 本稿では,タスクをDT-Poseと呼ばれる新しい2段階のフレームワークに書き換えることで,これらのギャップを埋める:ドメイン一貫性表現学習とトポロジ制約ポスデコーディング。
  論文  参考訳（メタデータ） (2025-01-16T09:38:22Z)
• Understanding Token-level Topological Structures in Transformer-based Time Series Forecasting [52.364260925700485]
  Transformer-based method has achieved state-of-the-art performance in time series forecasting (TSF) 既存のトランスフォーマーが中間層全体を通してトークン間の固有位相構造を完全に活用しているかどうかは不明である。 トークンレベルのトポロジを明示的にかつ適応的に保存するトランスフォーマーベースの新しいTSF手法であるトポロジ拡張法(TEM)を提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:21:39Z)

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。