論文の概要: ATOM: Instantiating Budget-Controllable Multi-Agent Collaboration via Nucleus-Electron Hierarchy

• arxiv url: http://arxiv.org/abs/2605.26178v1
• Date: Mon, 25 May 2026 06:41:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.273728
• Title: ATOM: Instantiating Budget-Controllable Multi-Agent Collaboration via Nucleus-Electron Hierarchy
• Title（参考訳）: ATOM:Nucleus-Electron階層による予算管理可能なマルチエージェントコラボレーションの確立
• Authors: Xinkui Zhao, Sai Liu, Yifan Zhang, Qingyu Ma, Zewen Lin, Naibo Wang, Guanjie Cheng, Chang Liu, Yueshen Xu,
• Abstract要約: textscATOMは、新しいタスク駆動強化学習パラダイムを通じて、予算制御可能な協調グラフを生成する。 textscATOMは、強力なベースラインと比較してトークン効率を最大30%向上させながら、最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 10.833679613026456
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Model (LLM)-based multi-agent systems rely on optimized collaboration topologies to balance performance and communication costs. However, current methods struggle with the inherent stability-extensibility trade-off and often misalign computational budgets with query difficulty. We propose \textsc{ATOM}, an adaptive framework that generates budget-controllable collaboration graphs via a novel task-driven reinforcement learning paradigm. Inspired by atomic structures, \textsc{ATOM} employs a nucleus-electron hierarchy: it maintains a stable, offline-learned collaboration backbone (the nucleus) while dynamically activating query-conditioned agents (electrons) during inference. Crucially, a complexity-aware budgeting strategy aligns resource consumption with task demands by estimating query difficulty to strictly regulate electron instantiation. Extensive experiments across six diverse benchmarks demonstrate that \textsc{ATOM} achieves state-of-the-art performance while improving token efficiency by up to $30\%$ compared to strong baselines.
• 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は、パフォーマンスと通信コストのバランスをとるために最適化されたコラボレーショントポロジに依存している。 しかし、現在の手法は、固有の安定性拡張性トレードオフと、クエリ困難を伴う計算予算の誤調整に苦慮している。 本稿では,新しいタスク駆動強化学習パラダイムを用いて,予算制御可能な協調グラフを生成する適応フレームワークであるtextsc{ATOM}を提案する。 原子構造にインスパイアされた \textsc{ATOM} は、安定でオフラインで学習した協調バックボーン(核)を維持しながら、推論中にクエリ条件のエージェント(電子)を動的に活性化する。 重要なことは、複雑に意識した予算戦略は、電子インスタンス化を厳格に規制するためにクエリ困難を見積もることによって、リソース消費とタスク要求を一致させる。 6つの多様なベンチマークによる大規模な実験により、‘textsc{ATOM} は最先端のパフォーマンスを実現し、トークン効率は強いベースラインに比べて最大で 30 % 向上した。

関連論文リスト

• ComplexMCP: Evaluation of LLM Agents in Dynamic, Interdependent, and Large-Scale Tool Sandbox [61.862814740220806]
  $textbfComplexMCP$は厳格な条件下でエージェントを評価するために設計されたベンチマークである。 Model Context Protocol (MCP)上に構築された$textbfComplexMCP$は300以上の精巧にテストされたツールを提供する。
  論文  参考訳（メタデータ） (2026-05-11T16:20:51Z)
• An Empirical Study of Multi-Agent Collaboration for Automated Research [41.906658558789545]
  本稿では,機械学習の自動最適化のための異なるマルチエージェント構造の比較効果について検討する。 サブエージェントアーキテクチャとエージェントチームアーキテクチャという,2つのマルチエージェントパラダイムに対して,単一エージェントベースラインをベンチマークする。 この結果から,運用安定性と理論的検討の根本的なトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2026-03-31T11:57:00Z)
• AgentCollab: A Self-Evaluation-Driven Collaboration Paradigm for Efficient LLM Agents [37.232397795331444]
  我々は,エージェント実行中に異なる推論能力を持つモデルを動的にコーディネートする,自己駆動型協調推論フレームワークであるAgenCollabを提案する。 外部ルーティングモジュールに頼る代わりに、このフレームワークはエージェント自身の自己反射信号を使用して、現在の推論軌道が有意義な進歩を遂げているかどうかを判断する。
  論文  参考訳（メタデータ） (2026-03-27T03:07:34Z)
• CoWork-X: Experience-Optimized Co-Evolution for Multi-Agent Collaboration System [43.33554364574611]
  CoWork-Xはエピソード間のクローズドループ最適化問題としてピアコラボレーションを論じている。 CoWork-Xは安定した累積的なパフォーマンス向上を実現し、オンラインレイテンシとトークン使用率を着実に削減する。
  論文  参考訳（メタデータ） (2026-02-04T19:42:14Z)
• Dynamic Test-Time Compute Scaling in Control Policy: Difficulty-Aware Stochastic Interpolant Policy [40.173458986694584]
  Difficulty-Aware Interpolant Policy (DA-SIP) は、ロボットコントローラがタスクの難易度に基づいて、リアルタイムで統合の地平線を適応的に調整できるフレームワークである。 DA-SIPは、最大計算ベースラインに匹敵するタスク成功率を維持しながら、合計時間の2.6-4.4倍の削減を実現している。
  論文  参考訳（メタデータ） (2025-11-25T22:46:42Z)
• 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)
• Hierarchical Budget Policy Optimization for Adaptive Reasoning [49.621779447691665]
  階層的予算政策最適化(Hierarchical Budget Policy Optimization, HBPO)は、モデルが問題固有の推論深度を犠牲にすることなく学習できる強化学習フレームワークである。 HBPOは、探索空間を予算制約付き階層(512-2560トークン)に分割する。 大規模な実験により、HBPOは平均トークン使用量を最大60.6%削減し、4つの推論ベンチマークで精度を3.14%改善した。
  論文  参考訳（メタデータ） (2025-07-21T17:52:34Z)
• An Empirical Study on Strong-Weak Model Collaboration for Repo-level Code Generation [8.28760409619167]
  リポジトリレベルのコード生成のための強言語モデルと弱言語モデル間のコスト効率の協調について検討する。 私たちは、コンテキストベース、パイプラインベース、動的という、幅広いコラボレーション戦略を評価します。 最も効果的な協調戦略は、コストを40%削減しながら、強力なモデルと同等のパフォーマンスを達成することです。
  論文  参考訳（メタデータ） (2025-05-26T16:25:38Z)
• Can Atomic Step Decomposition Enhance the Self-structured Reasoning of Multimodal Large Models? [68.72260770171212]
  本稿では,最小のセマンティック・アトミックステップから構成される自己構造的思考の連鎖(SCoT)のパラダイムを提案する。 本手法は, 複雑なタスクに対して認知的CoT構造を生成するだけでなく, 過度に考える現象を緩和する。 我々は,提案したAtomThinkがベースラインMLLMの性能を大幅に向上することを示すため,広範囲な実験を行った。
  論文  参考訳（メタデータ） (2025-03-08T15:23:47Z)
• Mind Your Solver! On Adversarial Attack and Defense for Combinatorial Optimization [111.78035414744045]
  我々は,最適解法に対する敵攻撃と防御のメカニズムの開発を主導する。 本稿では, グラフ構造を改良し, 解法の堅牢性を高めるための, 単純かつ効果的な防衛戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-28T15:10:15Z)

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。