論文の概要: PPAI: Enabling Personalized LLM Agent Interoperability for Collaborative Edge Intelligence
- arxiv url: http://arxiv.org/abs/2605.18067v1
- Date: Mon, 18 May 2026 08:49:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:49.199737
- Title: PPAI: Enabling Personalized LLM Agent Interoperability for Collaborative Edge Intelligence
- Title（参考訳）: PPAI:協調エッジインテリジェンスのためのパーソナライズされたLLMエージェントの相互運用性の実現
- Authors: Zile Wang, Qianli Liu, Kaibin Guo, Haodong Wang, Jian Lin, Zicong Hong, Song Guo,
- Abstract要約: エッジデバイス上の大規模言語モデル(LLM)は、様々なユーザに対してパーソナライズされたLLMエージェントを可能にする。
多様なパーソナライズされたエージェントの可用性の向上は、ピアツーピア(P2P)コラボレーションのユニークな機会を提供する。
本稿では,最初のパーソナライズされたLLMエージェントインターオペラビリティシステムであるPPAIを紹介する。
- 参考スコア（独自算出の注目度）: 22.89938884559524
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deploying large language model (LLM) on edge device enables personalized LLM agents for various users. The growing availability of diverse personalized agents presents a unique opportunity for peer-to-peer (P2P) collaboration, wherein each user can delegate tasks beyond the local agent's expertise to remote agents more suited for the specific query. This paper introduces PPAI, the first personalized LLM agent interoperability system, which enables users to collaborate with each other based on agent specialization. However, the ever-changing pool of agents and their interchangeable capacity introduce new challenges when it comes to matching queries to agents and balancing loads, compared with existing P2P systems. Therefore, we propose a scalable query-agent pair scoring mechanism based on prototypes to identify suitable agents within a P2P network with churn. Moreover, we propose a multi-agent interoperability Bayesian game to balance local demand and global efficiency, when changes in remote agent load occur too quickly to be observed. Finally, we implement a prototype of PPAI and demonstrate that it substantially broadens the range of tasks that could be carried out while maintaining load balance. On average, it achieves an accuracy improvement of up to 7.96% across multiple tasks, while reducing latency by 16.34% compared to the baseline.
- Abstract（参考訳）: エッジデバイスに大規模言語モデル(LLM)をデプロイすることで、さまざまなユーザを対象としたパーソナライズされたLLMエージェントが可能になる。
多様なパーソナライズされたエージェントが利用可能になれば、個々のユーザがローカルエージェントの専門知識を超えたタスクを、特定のクエリにもっと適したリモートエージェントに委譲できる、ピアツーピア(P2P)コラボレーションのユニークな機会が得られます。
本稿では,初となるパーソナライズされた LLM エージェント相互運用システムであるPPAI について紹介する。
しかしながら、エージェントのプールと交換可能なキャパシティは、既存のP2Pシステムと比較して、エージェントとのクエリのマッチングや負荷のバランスに関して、新たな課題を引き起こします。
そこで本研究では,P2Pネットワーク内の適切なエージェントをチャーンで識別する,プロトタイプに基づくスケーラブルなクエリエージェントペアスコアリング機構を提案する。
さらに,遠隔エージェントの負荷の変化が観測に早すぎる場合に,局所的需要とグローバル効率のバランスをとるためのマルチエージェント・インターオペラビリティ・ベイズゲームを提案する。
最後に、PPAIのプロトタイプを実装し、負荷バランスを維持しながら実行可能なタスクの範囲を大幅に拡大することを示した。
平均して、複数のタスクで最大7.96%の精度向上を実現し、ベースラインと比較してレイテンシを16.34%削減している。
関連論文リスト
- MARTI-MARS$^2$: Scaling Multi-Agent Self-Search via Reinforcement Learning for Code Generation [64.2621682259008]
セルフサーチスケーリングによるマルチエージェント強化トレーニングと推論フレームワーク(MARTI-MARS2)
本稿では,MARTI-MARS2を用いたマルチエージェント強化学習・推論フレームワークを提案する。
我々は、MARTI-MARS2が77.7%を獲得し、GPT-5.1のような強力なベースラインを、挑戦的なコード生成ベンチマークで上回っていることを示す。
論文 参考訳（メタデータ） (2026-02-08T07:28:44Z) - Multi-Agent Tool-Integrated Policy Optimization [67.12841355267678]
大規模言語モデル(LLM)は、知識集約的かつ複雑な推論タスクに対して、多ターンツール統合計画にますます依存している。
既存の実装は通常、単一のエージェントに依存するが、コンテキスト長とノイズの多いツールレスポンスに悩まされる。
ツール統合マルチエージェントフレームワークの効果的な強化学習をサポートする方法はない。
論文 参考訳（メタデータ） (2025-10-06T10:44:04Z) - Learning to Lead Themselves: Agentic AI in MAS using MARL [0.0]
本稿では,エージェント人工知能,エージェントが独立して,適応的かつ積極的に行動することで,マルチエージェントシステムにおけるタスク割り当てとコーディネーションを改善する方法について検討する。
協調型マルチエージェント強化学習環境における問題を定式化し、PyTorchにおけるIPPOと呼ばれる軽量なマルチエージェントプロキシポリシー最適化を実装した。
実験はPettingZoo環境で行われ、複数の均質なドローンやエージェントが、明示的なコミュニケーションなしに異なるターゲットをカバーするために自己組織化されなければならない。
論文 参考訳（メタデータ） (2025-09-24T11:36:07Z) - MorphAgent: Empowering Agents through Self-Evolving Profiles and Decentralized Collaboration [11.01813164951313]
本稿では,新しい自律型・自己組織化型・適応型多エージェントシステムであるMorphAgentを紹介する。
このアプローチでは,3つの主要な指標を通じて最適化された自己進化エージェントプロファイルを採用し,エージェントが個々の専門知識を磨き直す。
実験の結果,MorphAgentはタスク性能や要求の変化に対する適応性という点で,既存のフレームワークよりも優れていた。
論文 参考訳（メタデータ） (2024-10-19T09:10:49Z) - Agent-Oriented Planning in Multi-Agent Systems [54.429028104022066]
マルチエージェントシステムにおけるエージェント指向計画のための新しいフレームワークであるAOPを提案する。
本研究では, エージェント指向計画の3つの重要な設計原則, 可解性, 完全性, 非冗長性を明らかにする。
大規模実験は,マルチエージェントシステムにおける単一エージェントシステムと既存の計画戦略と比較して,現実の問題を解決する上でのAOPの進歩を実証している。
論文 参考訳（メタデータ） (2024-10-03T04:07:51Z) - AgentScope: A Flexible yet Robust Multi-Agent Platform [66.64116117163755]
AgentScopeは、メッセージ交換をコアコミュニケーションメカニズムとする、開発者中心のマルチエージェントプラットフォームである。
豊富な構文ツール、組み込みエージェントとサービス機能、アプリケーションのデモとユーティリティモニタのためのユーザフレンドリなインターフェース、ゼロコードプログラミングワークステーション、自動プロンプトチューニング機構により、開発とデプロイメントの両方の障壁は大幅に低下した。
論文 参考訳（メタデータ） (2024-02-21T04:11:28Z) - A Dynamic LLM-Powered Agent Network for Task-Oriented Agent Collaboration [55.35849138235116]
本稿では,様々なタスクやドメインに対する動的コミュニケーション構造において,候補からエージェントのチームを自動的に選択する手法を提案する。
具体的には, LLMを利用したエージェント協調のための動的LLMパワーエージェントネットワーク(textDyLAN$)というフレームワークを構築した。
我々は、コード生成、意思決定、一般的な推論、算術的推論タスクにおいて、適度な計算コストで、DyLANが強力なベースラインを上回ることを実証する。
論文 参考訳（メタデータ） (2023-10-03T16:05:48Z) - Multi-agent Deep Covering Skill Discovery [50.812414209206054]
本稿では,複数エージェントの結合状態空間の予測被覆時間を最小化し,マルチエージェントオプションを構築するマルチエージェントDeep Covering Option Discoveryを提案する。
また、MARLプロセスにマルチエージェントオプションを採用するための新しいフレームワークを提案する。
提案アルゴリズムは,アテンション機構とエージェントの相互作用を効果的に把握し,マルチエージェントオプションの同定に成功した。
論文 参考訳（メタデータ） (2022-10-07T00:40:59Z)
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。