論文の概要: Learning to Choose: An Empowerment-Guided Multi-Agent System with semantic communication for Adaptive Method Selection

• arxiv url: http://arxiv.org/abs/2605.30042v1
• Date: Thu, 28 May 2026 14:57:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.408715
• Title: Learning to Choose: An Empowerment-Guided Multi-Agent System with semantic communication for Adaptive Method Selection
• Title（参考訳）: 選択学習:適応的手法選択のための意味コミュニケーションを用いたエンパワーメント誘導型マルチエージェントシステム
• Authors: Geremy Loachamín-Suntaxi, Robert Lazar, Dimitrios G. Giovanis, Ioannis G. Kevrekidis, Eleni D. Koronaki,
• Abstract要約: マルチエージェントパイプラインでは、エージェントの意図とアクションの小さな矛盾がセマンティックドリフトにつながる可能性がある。 本稿では,マルチエージェント・フレームワークを導入し,コンテキスト・バンディットと構造化されたエージェント間通信と意味的チェックポイントを組み合わせた。 信頼性の高い自律学習には,高品質な行動の特定だけでなく,伝播の完全性も必要であることを示す。
• 参考スコア（独自算出の注目度）: 1.321203201549798
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automating scientific computing workflows requires more than generating executable code: autonomous systems must also select appropriate computational strategies, implement them faithfully, and ensure that the resulting outcomes remain causally attributable to the decisions that produced them. In multi-agent pipelines, this process is particularly fragile, as small inconsistencies between agent intentions and actions can lead to semantic drift, where the eventually executed procedure no longer reflects the originally selected strategy, thereby corrupting downstream evaluation and adaptation. In this work, motivated by the ATHENA framework (Toscano et al., 2025; Toscano et al., 2026) and the concept of empowerment (Yiu et al., 2025), we introduce a multi-agent framework that combines contextual bandits with structured inter-agent communication and, most importantly, semantic checkpoints that preserve action-outcome fidelity throughout the pipeline. The system integrates specialized large language model (LLM) agents, grounded code generation, and self-healing execution loops within an adaptive decision-making architecture. Interpreting the framework through the lens of empowerment, we show that reliable autonomous learning requires not only identifying high-quality actions, but also preserving the integrity of their propagation across agents. Using sensitivity analysis and uncertainty quantification workflows as representative case studies, we demonstrate that unchecked semantic drift degrades policy learning, whereas the proposed framework improves convergence, robustness, and adaptation to novel problem contexts. These results suggest a broader design principle for scientific multi-agent systems: adaptive decision-making must be coupled with explicit mechanisms that guarantee semantic consistency and reliable information flow across the computational pipeline.
• Abstract（参考訳）: 科学計算ワークフローを自動化するには、実行可能なコードを生成する以上のことが必要である。自律システムは適切な計算戦略を選択し、それらを忠実に実装し、結果の結果がそれらを生成する決定に因果関係があることを保証する必要がある。 多エージェントパイプラインでは、エージェントの意図とアクションの小さな不整合がセマンティックドリフトにつながるため、このプロセスは特に脆弱であり、最終的に実行される手順は元の選択した戦略を反映せず、下流の評価と適応を損なう。 本稿では,ATHENAフレームワーク (Toscano et al , 2025; Toscano et al , 2026) とエンパワーメントの概念 (Yiu et al , 2025) をモチベーションとしたマルチエージェントフレームワークを提案する。 このシステムは、特殊な大規模言語モデル(LLM)エージェント、接地コード生成、自己修復実行ループを適応的な意思決定アーキテクチャに統合する。 フレームワークをエンパワーメントのレンズで解釈すると、信頼性の高い自律学習は高品質な行動を識別するだけでなく、エージェント間の伝播の完全性も維持する必要があることが示される。 感性分析と不確実性定量化ワークフローを代表的な事例研究として用いて、未確認セマンティックドリフトがポリシー学習を劣化させるのに対し、提案手法は収束性、堅牢性、新しい問題文脈への適応を改善する。 これらの結果は、科学的マルチエージェントシステムのより広範な設計原則を示唆している。適応的な意思決定は、セマンティックな一貫性と、計算パイプライン全体の信頼できる情報フローを保証する明示的なメカニズムと結合する必要がある。

関連論文リスト

• Swarm Skills: A Portable, Self-Evolving Multi-Agent System Specification for Coordination Engineering [50.72456732323037]
  textbfSwarm Skillsは、マルチエージェントのセマンティクスを用いて、Arthhropic Skills標準を拡張したポータブル仕様である。 Swarm Skillsはマルチエージェントを、役割、実行バウンダリ、自己進化のためのビルトインセマンティック構造からなる、一級の分散可能なアセットに変える。 我々は,Swarm Skillsがプログレッシブ開示を通じて,ゼロアダプタのクロスエージェントポータビリティを実現する方法を示す。
  論文  参考訳（メタデータ） (2026-05-11T06:26:58Z)
• Position: agentic AI orchestration should be Bayes-consistent [92.04373485710285]
  本稿では,エージェントシステムのオーケストレーションレベルにおいて,一貫性のある意思決定にはベイズ原理が必要であることを論じる。 信念とユーティリティ対応ポリシーがエージェントAIオーケストレーションをどのように改善するかを説明するための例とデザインパターンを提供する。
  論文  参考訳（メタデータ） (2026-05-01T15:43:43Z)
• COMPASS: The explainable agentic framework for Sovereignty, Sustainability, Compliance, and Ethics [0.0]
  本稿では,値整合型AIを実現するために設計された,新しいマルチエージェントオーケストレーションシステムを提案する。 このフレームワークは、オーケストレータと、主権、カーボン・アウェア・コンピューティング、コンプライアンス、倫理に対処する4つの専門のサブエージェントで構成されている。 LLM-as-a-judge法を用いることで、定量的スコアを割り当て、各評価次元について説明可能な正当化を生成する。
  論文  参考訳（メタデータ） (2026-03-11T20:14:35Z)
• Agentic Problem Frames: A Systematic Approach to Engineering Reliable Domain Agents [0.0]
  大きな言語モデル(LLM)は、自律的なエージェントへと進化していますが、現在の"フレームワークレス"な開発は、あいまいな自然言語に基づいています。 本研究では,内部モデルインテリジェンスからエージェントと環境間の構造的相互作用に焦点を移すシステム工学フレームワークであるエージェント問題フレーム(APF)を提案する。
  論文  参考訳（メタデータ） (2026-02-22T06:32:32Z)
• Agentic AI for Cybersecurity: A Meta-Cognitive Architecture for Governable Autonomy [0.0]
  本稿では,サイバーセキュリティのオーケストレーションはエージェント型マルチエージェント認知システムとして再認識されるべきである,と論じる。 本稿では,特定・仮説形成・文脈解釈・説明・ガバナンスに責任を負う異種AIエージェントを,メタ認知判断機能を通じて協調する概念的枠組みを提案する。 我々の貢献は、メタ認知判断を第一級システム機能として組み込むことによって、この認知構造をアーキテクチャ的に明確化し、統制可能にすることである。
  論文  参考訳（メタデータ） (2026-02-12T12:52:49Z)
• The Why Behind the Action: Unveiling Internal Drivers via Agentic Attribution [63.61358761489141]
  LLM(Large Language Model)ベースのエージェントは、カスタマーサービス、Webナビゲーション、ソフトウェアエンジニアリングといった現実世界のアプリケーションで広く使われている。 本稿では,タスク結果に関係なく,エージェントの動作を駆動する内部要因を識別する,テキスト汎用エージェント属性のための新しいフレームワークを提案する。 標準ツールの使用やメモリ誘起バイアスのような微妙な信頼性リスクなど、さまざまなエージェントシナリオでフレームワークを検証する。
  論文  参考訳（メタデータ） (2026-01-21T15:22:21Z)
• Toward a Theory of Agents as Tool-Use Decision-Makers [89.26889709510242]
  真の自律性は、エージェントが、彼らが知っていること、必要なこと、そしてその知識を効率的に獲得する方法を統治する、一貫性のある疫学の枠組みに根ざす必要がある、と我々は主張する。 本研究では,内的推論と外的行動を等価な疫学ツールとして扱う統一理論を提案し,エージェントが内観と相互作用を体系的に調整することを可能にする。 この視点は、エージェントの設計を単なるアクションエグゼクタから知識駆動インテリジェンスシステムにシフトさせ、適応的で効率的でゴール指向の行動が可能な基礎エージェントを構築するための原則化された道筋を提供する。
  論文  参考訳（メタデータ） (2025-06-01T07:52:16Z)

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。