Fugu-MT 論文翻訳(概要): CONCAT: Consensus- and Confidence-Driven Ad Hoc Teaming for Efficient LLM-Based Multi-Agent Systems

論文の概要: CONCAT: Consensus- and Confidence-Driven Ad Hoc Teaming for Efficient LLM-Based Multi-Agent Systems

arxiv url: http://arxiv.org/abs/2605.29612v1
Date: Thu, 28 May 2026 08:47:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-30 02:45:56.084791
Title: CONCAT: Consensus- and Confidence-Driven Ad Hoc Teaming for Efficient LLM-Based Multi-Agent Systems
Title（参考訳）: CONCAT: 効率的なLCMベースマルチエージェントシステムのための合意型および信頼型アドホックチーム
Authors: Ziyang Ma, Dingyi Zhang, Sichu Liang, Jiajia Chu, Pengfei Xia, Hui Zang, Deyu Zhou,
Abstract要約: CONCATは、ConsensusとConfidence-driven Adhoc Teamingをベースにした、トレーニングフリーのマルチエージェントコラボレーションフレームワークである。 3つのLLMと3つのベンチマーク実験により、CONCATはLLM-Debateよりも最大2.02倍高い効率(精度/レイテンシ比)を達成することが示された。
参考スコア（独自算出の注目度）: 28.51314301845782
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Although large language model (LLM) based multi-agent systems (MAS) show their capability to solve complex tasks and achieve higher performance over single agent systems, they lead to huge computational overheads because of heavy communication between agents. Previous research has made efforts to train a sparse multi-agent graph or fine-tune a planner to orchestrate the workflow better. However, such extra training processes introduce computational costs and limit MAS to specific domains, therefore compromising their generalizability. In this paper, we propose CONCAT, a training-free multi-agent collaboration framework based on CONsensus and Confidence-driven Ad hoc Teaming to efficiently organize agent interactions. Specifically, agents are clustered based on their initial answers, and leaders of each cluster are selected based on the agents' confidence. Then, a heuristic function based on the Theory of Mind is designed to predict the collaboration benefits between every two leaders according to their answers and confidence. Finally, an ad hoc multi-agent network is organized after evicting a percentage of communications based on the predicted benefits. Experiments across three LLMs and three benchmarks show that CONCAT achieves up to 2.02x higher efficiency (accuracy/latency ratio) than LLM-Debate and outperforms training-aware methods such as AgentDropout, while reducing average latency by 50.1% on Qwen2.5-14B-Instruct, without any task-specific training.
Abstract（参考訳）: 大規模言語モデル (LLM) に基づくマルチエージェントシステム (MAS) は、複雑なタスクを解く能力を示し、単一のエージェントシステムよりも高い性能を実現するが、エージェント間の通信が重いため、計算オーバーヘッドが大きくなる。これまでの研究では、疎いマルチエージェントグラフのトレーニングや、プランナーの微調整によるワークフローのオーケストレーションの改善に取り組んできた。しかし、そのような余分な訓練プロセスは計算コストを導入し、特定の領域にMASを制限し、従ってそれらの一般化性を妥協する。本稿では,Consensus と Confidence-driven Adhoc Teaming をベースとした,エージェントインタラクションを効率的に編成する,トレーニングフリーなマルチエージェントコラボレーションフレームワークであるCONCATを提案する。具体的には、エージェントは初期回答に基づいてクラスタ化され、各クラスタのリーダーはエージェントの信頼性に基づいて選択される。次に、心の理論に基づくヒューリスティックな関数は、その答えと自信に基づいて、2人のリーダー間のコラボレーションの利点を予測するように設計されます。最後に、予測された利益に基づいて通信のパーセンテージを排除した後、アドホックなマルチエージェントネットワークを編成する。 3つのLLMと3つのベンチマークによる実験の結果、CONCATはLLM-Debateよりも最大2.02倍高い効率(精度/レイテンシ比)を達成し、AgentDropoutのようなトレーニング対応の手法よりも優れており、Qwen2.5-14B-Instructではタスク固有のトレーニングなしで平均遅延を50.1%削減している。

関連論文リスト

Agent Q-Mix: Selecting the Right Action for LLM Multi-Agent Systems through Reinforcement Learning [68.85408801740228]
協調型マルチエージェント強化学習問題としてトポロジ選択を再構成する強化学習フレームワークである textbfAgent Q-Mix を提案する。提案手法は,Qmix値分解を用いて分散化された通信決定を学習し,各エージェントがラウンドワイド通信グラフを共同生成する一連の通信行動から選択する。エージェントQ-Mixは,エージェント故障に対して優れたトークン効率とロバスト性を示しながら,既存手法と比較して高い平均精度を達成する。
論文参考訳（メタデータ） (2026-04-01T00:38:24Z)
AgentArk: Distilling Multi-Agent Intelligence into a Single LLM Agent [57.10083973844841]
AgentArkは、マルチエージェントダイナミクスを単一のモデルの重みに蒸留する新しいフレームワークである。各種モデル,タスク,スケーリング,シナリオの3つの階層的蒸留戦略について検討する。シミュレーションからトレーニングへ計算の負担をシフトさせることで、蒸留されたモデルは、複数のエージェントの強い推論と自己補正性能を示しながら、一つのエージェントの効率を保ちます。
論文参考訳（メタデータ） (2026-02-03T19:18:28Z)
Collaborative Multi-Agent Test-Time Reinforcement Learning for Reasoning [112.16686518063456]
textbfMulti-Agent Test-Time Reinforcement Learning (MATTRL)を導入する。 MATTRLは、マルチターンの議論、テストタイムの経験の検索と統合、最終的な意思決定のコンセンサスに到達するための、複数の専門家のチームを形成する。 MATTRLは、医学、数学、教育の挑戦的なベンチマーク全体にわたって、マルチエージェントベースラインで平均3.67%、同等のシングルエージェントベースラインで平均8.67%の精度を向上する。
論文参考訳（メタデータ） (2026-01-14T17:57:43Z)
How to Train a Leader: Hierarchical Reasoning in Multi-Agent LLMs [16.853362180877593]
我々は、訓練されていないピアエージェントのチームを調整するために、単一のリーダーLDMのみを訓練する階層的なマルチエージェントフレームワークを導入する。本結果は,複数エージェントLLMシステムにおける協調推論のための単一柔軟なリーダのトレーニングの有効性と効率性を強調した。
論文参考訳（メタデータ） (2025-07-11T18:34:07Z)
Two Heads are Better Than One: Test-time Scaling of Multi-agent Collaborative Reasoning [29.580108004844856]
大規模言語モデル(LLM)上に構築されたマルチエージェントシステム(MAS)は、複雑で現実的なタスクを解決するための有望な道を提供する。テストタイムスケーリング(TTS)の最近の進歩は、難解な推論タスクにおいて、シングルエージェントのパフォーマンスを大幅に改善した。モデルレベルのトレーニングとシステムレベルの調整の両方を通じて協調推論を強化するために設計された適応型マルチエージェントフレームワークを提案する。
論文参考訳（メタデータ） (2025-04-14T00:27:45Z)
MASP: Scalable GNN-based Planning for Multi-Agent Navigation [18.70078556851899]
Multi-Agent Scalable Graph-based Planner (MASP)は、ナビゲーションタスクのためのゴール条件付き階層型プランナーである。 MASPは、大規模な探索空間を複数の目標条件付き部分空間に分解することで、空間の複雑さを低減するために階層的なフレームワークを採用している。エージェントの協力とさまざまなチームサイズへの適応のために、エージェントと目標をグラフとしてモデル化し、それらの関係をよりよく捉えます。
論文参考訳（メタデータ） (2023-12-05T06:05:04Z)
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)
Group-Agent Reinforcement Learning [12.915860504511523]
複数の地理的に分散したエージェントがそれぞれのRLタスクを協調的に実行すれば、各エージェントの強化学習プロセスに大きく貢献できる。グループエージェント強化学習(GARL)のための分散RLフレームワークDDAL(Decentralized Distributed Asynchronous Learning)を提案する。
論文参考訳（メタデータ） (2022-02-10T16:40:59Z)

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。