論文の概要: Multi-Agent Coordination Adaptation via Structure-Guided Orchestration

• arxiv url: http://arxiv.org/abs/2605.25746v1
• Date: Mon, 25 May 2026 11:59:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.928734
• Title: Multi-Agent Coordination Adaptation via Structure-Guided Orchestration
• Title（参考訳）: 構造誘導オーケストレーションによるマルチエージェントコーディネート適応
• Authors: Haoran Li, Shulun Chen, Shaoyuan Sun, Hanchen Wang,
• Abstract要約: 我々は,エージェントの参加やインタラクションよりも,タスクと予算条件が優先される構造を学習する自動調整フレームワークMACAを紹介する。 ベンチマーク全体で、MACAは適応型マルチエージェントベースラインを平均8.42%上回り、トークンは43.19%減少している。 さらに, 構造とオーケストレーションの協調的適応により冗長な相互作用が抑制され, タスク有効実行に向けた協調が収束することが明らかとなった。
• 参考スコア（独自算出の注目度）: 5.230083115652549
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As large language model (LLM)-based multi-agent systems scale to handle increasingly complex tasks, balancing structural stability and dynamic adaptability becomes increasingly challenging. Existing systems typically adopt either structure-centric methods, committing to structures determined upfront that limit fine-grained control, or orchestration-centric methods, adapting decisions dynamically while leaving coordination structure implicit and unstable. To address this challenge, we revisit multi-agent coordination from a probabilistic perspective, casting it as posterior inference over the joint distribution of structure and orchestration. We introduce MACA, an automated coordination framework that learns a task- and budget-conditioned structural prior over agent participation and interactions. This prior guides a policy-based orchestration as an approximation to posterior inference, enabling efficient solutions with fine-grained control. Across benchmarks, MACA outperforms adaptive multi-agent baselines by an average of 8.42% while using 43.19% fewer tokens. Further investigation reveals that joint adaptation of structure and orchestration suppresses redundant interactions, converging coordination toward task-effective execution.
• Abstract（参考訳）: 大規模言語モデル(LLM)ベースのマルチエージェントシステムが、ますます複雑なタスクを処理するためにスケールするにつれて、構造的安定性と動的適応性のバランスがますます困難になる。 既存のシステムは、通常、構造中心の手法を採用し、きめ細かい制御を制限する事前決定された構造にコミットするか、オーケストレーション中心の手法を採用し、協調構造を暗黙的かつ不安定なものにして、決定を動的に適用する。 この課題に対処するため、我々は確率論的観点からマルチエージェント協調を再考し、構造とオーケストレーションの連関分布に対する後部推論とみなす。 我々は,エージェントの参加やインタラクションよりも,タスクと予算条件が優先される構造を学習する自動調整フレームワークMACAを紹介する。 この前者は、後部推論の近似としてポリシーベースのオーケストレーションを導いており、きめ細かい制御による効率的な解を可能にする。 ベンチマーク全体で、MACAは適応型マルチエージェントベースラインを平均8.42%上回り、トークンは43.19%減少している。 さらなる調査により、構造とオーケストレーションの協調的適応は冗長な相互作用を抑制し、タスク有効実行に向けた協調を収束させることが明らかとなった。

関連論文リスト

• When Does Hierarchy Help? Benchmarking Agent Coordination in Event-Driven Industrial Scheduling [7.912877527497326]
  DESBenchは、階層的なイベント駆動スケジューリングにおけるエージェント調整を評価するためのベンチマークである。 我々は,中央集権的,階層的,階層的,ホロニックという,4つの代表的な調整パラダイムに注目している。
  論文  参考訳（メタデータ） (2026-05-13T08:33:28Z)
• Small Model as Master Orchestrator: Learning Unified Agent-Tool Orchestration with Parallel Subtask Decomposition [61.291733522717415]
  Agent-as-Toolは並列オーケストレーションのパラダイムであり、エージェントとツールの両方を標準化された学習可能なアクション空間に緩和する。 ParaManagerは、サブタスク解決から計画決定を分離し、ステート対応の並列サブタスク分解、デリゲート、非同期実行を可能にする。 実験により、ParaManagerは複数のベンチマークで高い性能を示し、目に見えないモデルプールの下で堅牢な一般化を示す。
  論文  参考訳（メタデータ） (2026-04-18T14:41:27Z)
• Chain of Modality: From Static Fusion to Dynamic Orchestration in Omni-MLLMs [84.3271821505699]
  カオス・オブ・モダリティ(Chain of Modality, CoM)は、マルチモーダル融合を受動的結合から動的オーケストレーションに移行するエージェントフレームワークである。 CoMはトレーニングフリーまたはデータ効率のSFT設定で動作し、様々なベンチマークで堅牢で一貫した一般化を実現する。
  論文  参考訳（メタデータ） (2026-04-16T01:21:14Z)
• Decision-Theoretic Safety Assessment of Persona-Driven Multi-Agent Systems in O-RAN [0.2873445316250935]
  自律型ネットワーク管理のためのペルソナ駆動型マルチエージェントフレームワークを提案する。 我々は2つのORAN最適化課題に対して486のペルソナ構成を評価した。 その結果、ペルソナエージェントのアライメントは、個々のパフォーマンスと創発的マルチエージェントのコーディネーションに大きな影響を及ぼすことが示された。
  論文  参考訳（メタデータ） (2026-04-03T15:20:16Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• Hierarchical Adaptive Consensus Network: A Dynamic Framework for Scalable Consensus in Collaborative Multi-Agent AI Systems [0.5505634045241287]
  本稿では,マルチエージェントシステムにおけるコンセンサス戦略のための3層アーキテクチャを紹介する。 第1のレイヤは、複数のローカルエージェントクラスタの信頼性に基づく投票結果を収集します。 第2のレベルは、クラスタ横断的な知識共有と動的タイムアウトを通じてクラスタ間通信を容易にする。 第3のレイヤは、グローバルなオーケストレーションフレームワークを使用することで、システム全体の調整と最終的な調停を提供する。
  論文  参考訳（メタデータ） (2025-11-16T15:09:15Z)
• Deep Reinforcement Learning for Multi-Agent Coordination [8.250169938213558]
  本稿では,仮想フェロモンを用いて局所的・社会的相互作用をモデル化するS-MADRL(Stigmergic Multi-Agent Deep Reinforcement Learning)フレームワークを提案する。 我々は,ロボットが非対称な作業負荷分布に自己組織化される,最大8つのエージェントの最も効果的な協調を実現していることを示す。 この創発的行動は、自然界で観察される戦略に類似しており、混雑した環境下での分散マルチエージェント協調のためのスケーラブルなソリューションを示している。
  論文  参考訳（メタデータ） (2025-10-04T00:47:20Z)
• AnyMAC: Cascading Flexible Multi-Agent Collaboration via Next-Agent Prediction [77.62279834617475]
  本稿では,グラフ構造ではなくシーケンシャル構造を用いて,マルチエージェント協調を再考するフレームワークを提案する。 提案手法は,(1)各ステップで最も適したエージェントロールを選択するNext-Agent Predictionと,(2)各エージェントが前ステップから関連する情報にアクセスできるようにするNext-Context Selectionの2つの重要な方向に焦点を当てる。
  論文  参考訳（メタデータ） (2025-06-21T18:34:43Z)
• 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。