論文の概要: Roles with Rails: Contract-Preserving Role Evolution in Multi-Agent Structured Reasoning
- arxiv url: http://arxiv.org/abs/2605.28433v1
- Date: Wed, 27 May 2026 13:00:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-28 17:38:56.061184
- Title: Roles with Rails: Contract-Preserving Role Evolution in Multi-Agent Structured Reasoning
- Title（参考訳）: Railsにおける役割: マルチエージェント構造推論におけるコントラクト保存の役割進化
- Authors: Ling-Yue Ge, Lan-Zhe Guo,
- Abstract要約: ロールベースのマルチエージェントシステムは適応的なロールプールを必要とするが、そのようなシステムを適用することは単なる迅速な最適化の問題ではない。
既存のシステムは、ロールインベントリを修正して適応性を失うか、制約のない世代がロールドリフトを誘発することを可能にする。
これをコントラクト保存ロールの進化として定式化し、コミットされたすべての編集が5つの構造的コントラクトを保存する必要があります。
- 参考スコア（独自算出の注目度）: 13.804446155580516
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Role-based LLM multi-agent systems need adaptive role pools, yet adapting such systems is not merely a matter of prompt optimization: roles often carry structural obligations, including capability coverage, message compatibility, validation, final-answer aggregation, and parser-compatible output protocols. Existing systems either fix the role inventory and lose adaptivity, or allow unconstrained generation to induce role drift, removing structurally necessary roles and breaking answer contracts. We formulate this as contract-preserving role evolution, requiring every committed edit to preserve five structural contracts (capability, communication, validation, aggregation, output protocol). We instantiate this formulation in SERO, a Self-Evolving Role Orchestration framework that evolves a typed role-card pool through credit-guided retrieval, a credit-ranked communication DAG with a protected terminal aggregator and conditional validator repair, and a contextual-bandit controller whose LLM-proposed edits are committed only when they preserve the contracts and improve task score. Experiments on real-world reasoning benchmarks across three LLM backbones confirm the value of contract-preserving role evolution.
- Abstract（参考訳）: ロールベースのLLMマルチエージェントシステムは、適応的なロールプールを必要とするが、そのようなシステムを適用することは、単なる迅速な最適化の問題ではない。
既存のシステムは、役割の在庫を修正して適応性を失うか、制約のない世代が役割の漂流を誘発し、構造上必要な役割を取り除き、回答契約を破ることを可能にする。
これをコントラクト保存ロールの進化として定式化し、コミットされたすべての編集が5つの構造的コントラクト(能力、コミュニケーション、バリデーション、アグリゲーション、出力プロトコル)を保存するように要求します。
この定式化は、SERO、クレジットカード検索による自己進化型ロールオーケストレーションフレームワーク、保護された端末アグリゲータと条件付きバリデータによるクレジットランク通信DAG、LCMによる編集がコミットされるコンテキスト帯域制御を、契約の保存とタスクスコアの改善によって行う。
3つのLCMバックボーンにわたる実世界の推論ベンチマークの実験は、契約保存の役割の進化の価値を確認します。
関連論文リスト
- Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs [52.26652574704317]
大規模言語モデル(LLM)はますますチームにデプロイされているが、既存のコーディネーションアプローチは2つの極端な部分を占めることが多い。
本稿では,Language Agent Teams for Task Evolution (LATTE)を紹介した。
論文 参考訳（メタデータ） (2026-05-07T14:19:17Z) - Autogenesis: A Self-Evolving Agent Protocol [60.15939127351914]
本稿では,自己進化プロトコルであるAutogenesis Protocol(AGP)を紹介する。
本稿では,実行中のプロトコル登録リソースを動的にインスタンス化し,検索し,精錬する自己進化型マルチエージェントシステムAGSを提案する。
論文 参考訳（メタデータ） (2026-04-16T14:04:06Z) - Generate, Filter, Control, Replay: A Comprehensive Survey of Rollout Strategies for LLM Reinforcement Learning [79.88942231770629]
強化学習(RL)は、大規模言語モデル(LLM)の推論能力を向上させるための訓練後の中心的なツールとなっている。
統一表記によるロールアウトパイプラインの形式化とGenerate-Filter-Control-Replay(GFCR)の導入
検証可能な報酬、プロセスの監督、判断に基づくゲーティング、ガイドとツリー/セグメントのロールアウト、アダプティブな計算割り当て、早期終了と部分的なロールアウト、スループット最適化、自己改善のための再生/再配置でRLにまたがる手法を合成する。
論文 参考訳（メタデータ） (2026-04-08T00:53:29Z) - 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) - From Completion to Editing: Unlocking Context-Aware Code Infilling via Search-and-Replace Instruction Tuning [81.97788535387286]
本稿では,エージェントによる検証・編集機構を統一された単一パス推論プロセスに内部化するフレームワークを提案する。
最小限のデータで、SRI-Coderは、ChatモデルがBaseモデルの完了性能を上回ることができる。
FIMスタイルのチューニングとは異なり、SRIは一般的なコーディング能力を保持し、標準のFIMに匹敵する推論遅延を維持する。
論文 参考訳（メタデータ） (2026-01-19T20:33:53Z) - Diagnose, Localize, Align: A Full-Stack Framework for Reliable LLM Multi-Agent Systems under Instruction Conflicts [75.20929587906228]
LLM(Large Language Model)を利用したマルチエージェントシステム(MAS)は、複雑なタスクにおける協調推論、ツールの使用、役割特化調整を急速に進めている。
しかし、信頼性クリティカルなデプロイメントは、体系的な障害モード、すなわち命令の競合による階層的コンプライアンスによって妨げられている。
論文 参考訳（メタデータ） (2025-09-27T08:43:34Z) - Role-Aware Language Models for Secure and Contextualized Access Control in Organizations [4.122315998598296]
大規模言語モデル(LLM)は、ますますエンタープライズ環境にデプロイされている。
組織の役割の異なるアクセス権限を反映した応答を生成するために,LSMを微調整できるかどうかを検討する。
論文 参考訳（メタデータ） (2025-07-31T11:41:04Z) - Parallelism Meets Adaptiveness: Scalable Documents Understanding in Multi-Agent LLM Systems [0.8437187555622164]
大規模言語モデル(LLM)エージェントは、協調的なタスク補完の約束が増していることを示している。
既存のマルチエージェントフレームワークは、静的で固定されたロールと限定的なエージェント間通信に依存していることが多い。
本稿では,3つのコア機構による適応性を実現するための協調フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-22T22:42:51Z) - Single LLM, Multiple Roles: A Unified Retrieval-Augmented Generation Framework Using Role-Specific Token Optimization [64.33914369424494]
RoleRAGは、ロール固有のトークン最適化を通じて効率的なマルチタスク処理を実現する統一的なRAGフレームワークである。
RoleRAGは6つのモジュールから構成され、それぞれがRAGプロセス内で特定のサブタスクを処理する。
クエリの分解を表すクエリグラフを導入し、分解状態に応じて動的に解決する。
論文 参考訳（メタデータ） (2025-05-21T12:25:12Z) - SagaLLM: Context Management, Validation, and Transaction Guarantees for Multi-Agent LLM Planning [2.1331883629523634]
SagaLLMは、現在のLLMベースの計画システムの4つの基本的な制限に対処するために設計された構造化マルチエージェントアーキテクチャである。
Sagaトランザクションパターンを永続メモリ、自動補償、独立バリデーションエージェントに統合することで、このギャップを埋める。
不確実性の下では、一貫性、検証精度、適応調整において大幅な改善が達成される。
論文 参考訳（メタデータ） (2025-03-15T01:43:03Z)
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。