論文の概要: Enhancing Multi-Agent Communication through Attention Steering with Context Relevance

• arxiv url: http://arxiv.org/abs/2605.30136v1
• Date: Thu, 28 May 2026 16:02:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.463234
• Title: Enhancing Multi-Agent Communication through Attention Steering with Context Relevance
• Title（参考訳）: コンテキスト関連性を考慮したアテンションステアリングによるマルチエージェントコミュニケーションの強化
• Authors: Hongxiang Zhang, Yuan Tian, Tianyi Zhang,
• Abstract要約: 本稿では,学習自由な文脈管理手法であるAgent-Radarを提案する。 エージェントレーダーは、新しい時間的・空間的崩壊機構によって、各エージェントの注意を関連文脈に向ける。 実験の結果,Agent-Radarは5つのベンチマークで最先端の手法より優れていることがわかった。
• 参考スコア（独自算出の注目度）: 7.411619300683893
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM-based multi-agent systems have demonstrated remarkable performance on complex tasks through collaborative reasoning. However, these systems tend to rapidly accumulate extremely long conversation histories during interaction. As conversations lengthen, relevant information is increasingly diluted by irrelevant context, leading to degraded performance. In this work, we present Agent-Radar, a training-free context management method that dynamically steers each agent's attention toward relevant context with a novel temporal and spatial decay mechanism. Our experiments demonstrate that Agent-Radar outperforms state-of-the-art methods across five different benchmarks, yielding gains of up to 7.64 absolute points. Furthermore, our analysis shows that Agent-Radar remains effective and robust as the number of agents and interaction rounds increases. Finally, the ablation study shows that core components in Agent-Radar are crucial to performance and generalizable in different settings.
• Abstract（参考訳）: LLMベースのマルチエージェントシステムは、協調推論によって複雑なタスクにおいて顕著な性能を示した。 しかしながら、これらのシステムは相互作用中に非常に長い会話履歴を急速に蓄積する傾向にある。 会話が長引くにつれて、関連する情報は無関係なコンテキストによって徐々に希薄になり、パフォーマンスが低下する。 本研究では,新しい時間的・空間的崩壊機構を用いて,各エージェントの注意を関連文脈に向けて動的に操る,訓練不要な文脈管理手法であるAgent-Radarを提案する。 実験の結果,Agent-Radarは5つのベンチマークで最先端の手法より優れており,最大7.64の絶対点が得られた。 さらに,エージェントとインタラクションラウンドの数が増加するにつれて,エージェントレーダーは有効かつ堅牢なままであることを示す。 最後に、Ablation研究は、Agent-Radarのコアコンポーネントがパフォーマンスに不可欠であり、異なる設定で一般化可能であることを示している。

関連論文リスト

• LongSeeker: Elastic Context Orchestration for Long-Horizon Search Agents [63.75550089045995]
  ロングホライズン検索エージェントは、理由として急速に成長する作業状況を管理し、ツールを呼び、情報を観察しなければならない。 エージェントの軌道の一部は、タスクに対する現在の関連性に応じて、異なるレベルで細部まで維持される。 我々は10kの合成軌道上にQwen3-30B-A3Bを微調整した長距離探索エージェントであるLongSeekerを開発した。
  論文  参考訳（メタデータ） (2026-05-06T17:54:16Z)
• Learning to Retrieve from Agent Trajectories [72.8923565916533]
  我々はエージェント間相互作用データから直接エージェント探索のための検索モデルを訓練すべきであると主張している。 エージェント・トラジェクトリからの学習を新たな訓練パラダイムとして導入し,マルチステップエージェントのインタラクションから指導を導出する。 本研究は,エージェント探索時代における検索の方向性を示すとともに,エージェントトラジェクトリを実用的でスケーラブルな監視源として強調するものである。
  論文  参考訳（メタデータ） (2026-03-30T17:59:02Z)
• AgentLongBench: A Controllable Long Benchmark For Long-Contexts Agents via Environment Rollouts [78.33143446024485]
  我々は、横方向思考パズルに基づく環境ロールアウトによるエージェントの評価を行うtextbfAgentLongBenchを紹介した。 このフレームワークは、知識集約的で知識のないシナリオにまたがる厳密な相互作用の軌跡を生成する。
  論文  参考訳（メタデータ） (2026-01-28T16:05:44Z)
• Interact-RAG: Reason and Interact with the Corpus, Beyond Black-Box Retrieval [49.85856484781787]
  本稿では,ILMエージェントを検索プロセスのアクティブマニピュレータに高める新しいパラダイムであるInteract-RAGを紹介する。 我々は、ゼロショット実行と相互作用軌跡の合成を可能にする推論強化ワークフローを開発する。 6つのベンチマーク実験により、Interact-RAGは他の高度な手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-31T15:48:43Z)
• Emergent Coordination in Multi-Agent Language Models [2.504366738288215]
  マルチエージェントシステムが高次構造の兆候を示すかどうかをテストするための情報理論フレームワークを提案する。 この情報分解により、マルチエージェントLLMシステムに動的に出現するかどうかを測定することができる。 我々は,エージェントの直接通信を使わずに,単純な推測ゲームを用いた実験に本フレームワークを適用した。
  論文  参考訳（メタデータ） (2025-10-05T11:26:41Z)
• Simple Agent, Complex Environment: Efficient Reinforcement Learning with Agent State [35.69801203107371]
  任意の環境で動作可能な簡易強化学習エージェントを設計する。 エージェントは、各エージェント状態-アクションペアの訪問数と値の推定のみを保持する。 環境状態の数や、他の政策や歴史統計に関連付けられた混合時間に、これ以上依存することはない。
  論文  参考訳（メタデータ） (2021-02-10T04:53:12Z)

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。