論文の概要: MOC: Multi-Order Communication in LLM-based Multi-Agent Systems
- arxiv url: http://arxiv.org/abs/2606.02359v1
- Date: Mon, 01 Jun 2026 15:06:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:32.37548
- Title: MOC: Multi-Order Communication in LLM-based Multi-Agent Systems
- Title（参考訳）: MOC: LLMに基づくマルチエージェントシステムにおけるマルチオーダー通信
- Authors: Yao Guan, Lin Wang, Zhihu Lu, Ziyi Wang, Wenzhu Yan, Qiang Duan,
- Abstract要約: 本稿では,マルチホップ依存を捕捉するためにエージェント間通信を再構築するマルチオーダ通信方式を提案する。
具体的には、構造化された多階エビデンスストリームを構築するための通信機構を形式化し、トークン制約のセマンティック・トポロジカルマージアルゴリズムを設計し、トークン制約内の意味的忠実度を最適化する。
- 参考スコア（独自算出の注目度）: 7.468643378553509
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite the remarkable progress of Large Language Model (LLM) based Multi-Agent Systems, most research focuses on optimizing coordination topology while largely underexploring the equally critical problem: how to transmit and optimize messages among agents effectively? Current communication schemes typically rely on the direct concatenation of first-order neighbor responses, which induces a restricted evidence receptive field and leads to the dilution of crucial insights over multi-hop paths. To address these limitations, we propose the Multi-Order Communication (MOC) scheme, which reconstructs the inter-agent communication to capture multi-hop dependencies and incorporates a structural message consolidation strategy to ensure efficiency. Specifically, we formalize the communication mechanism to construct a structured multi-order evidence stream, and subsequently design a Semantic-Topological Merging algorithm to optimize semantic fidelity within token constraints. Extensive experiments across six diverse datasets and LLM backbones of varying parameter scales demonstrate that MOC consistently improves task performance and reduces communication costs. The code is available at https://github.com/yao-guan/MOC.
- 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(Multi-Agent Systems)の顕著な進歩にもかかわらず、ほとんどの研究は協調トポロジの最適化に重点を置いている。
現在の通信方式は、典型的には一階隣の応答の直接結合に依存しており、それは制限された証拠受容の場を誘導し、マルチホップパスに対する重要な洞察の希薄化につながる。
これらの制約に対処するため,マルチホップ依存を捉えるためにエージェント間通信を再構築し,効率性を確保するための構造的メッセージ統合戦略を取り入れたMOC方式を提案する。
具体的には、構造化された多階エビデンスストリームを構築するための通信機構を形式化し、トークン制約のセマンティック・トポロジカルマージアルゴリズムを設計し、トークン制約内の意味的忠実度を最適化する。
6つの多様なデータセットと様々なパラメータスケールのLLMバックボーンにわたる大規模な実験により、MOCはタスク性能を一貫して改善し、通信コストを削減している。
コードはhttps://github.com/yao-guan/MOC.comで公開されている。
関連論文リスト
- Learning to Communicate: Toward End-to-End Optimization of Multi-Agent Language Systems [30.327850022896286]
本稿では,マルチエージェントシステムの学習可能なコンポーネントとして,潜時通信を扱うトレーニングフレームワークDiffMASを提案する。
実験により,DiffMASは単一エージェント推論,テキストベースマルチエージェントシステム,先行潜時通信方式に対して,推論精度と復号安定性を一貫して向上することが示された。
論文 参考訳（メタデータ） (2026-04-23T15:53:25Z) - TopoDIM: One-shot Topology Generation of Diverse Interaction Modes for Multi-Agent Systems [13.061151798272933]
TopoDIMは、双方向インタラクションモードを用いたワンショットトポロジー生成のためのフレームワークである。
トークン効率が向上し、タスクパフォーマンスが向上する。
論文 参考訳（メタデータ） (2026-01-15T07:05:04Z) - 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) - ToolACE-MT: Non-Autoregressive Generation for Agentic Multi-Turn Interaction [84.90394416593624]
大規模言語モデル(LLM)によるエージェント的タスク解決には,多ターン・マルチステップインタラクションが必要である。
既存のシミュレーションベースのデータ生成手法は、複数のエージェント間のコストのかかる自己回帰的相互作用に大きく依存している。
本稿では,高品質なマルチターンエージェント対話を構築するための非自己回帰反復生成フレームワークであるToolACE-MTを提案する。
論文 参考訳（メタデータ） (2025-08-18T07:38:23Z) - Concept-Level AI for Telecom: Moving Beyond Large Language Models [1.7922382138350863]
大規模言語モデル(LLM)は、特定の通信問題に効果的に適用できる。
しかし、固有のトークン・バイ・トークン処理と拡張コンテキストを維持する能力の制限により、LLMはテレコム固有の要件を満たすのに苦労している。
本稿は、LCMの採用は単なる段階的なステップではなく、堅牢で効果的なAI駆動型通信管理の実現に向けた進化的な飛躍である、と論じる。
論文 参考訳（メタデータ） (2025-06-27T16:20:18Z) - AnyMAC: Cascading Flexible Multi-Agent Collaboration via Next-Agent Prediction [77.62279834617475]
本稿では,グラフ構造ではなくシーケンシャル構造を用いて,マルチエージェント協調を再考するフレームワークを提案する。
提案手法は,(1)各ステップで最も適したエージェントロールを選択するNext-Agent Predictionと,(2)各エージェントが前ステップから関連する情報にアクセスできるようにするNext-Context Selectionの2つの重要な方向に焦点を当てる。
論文 参考訳（メタデータ） (2025-06-21T18:34:43Z) - Large AI Model Empowered Multimodal Semantic Communications [48.73159237649128]
本稿では,Large AI Model-based Multimodal SC (LAMMSC) フレームワークを提案する。
まず、条件付きマルチモーダルアライメント(MMA)を提案し、マルチモーダルデータと非モーダルデータ間の変換を可能にする。
次に、パーソナライズされたLLMベースの知識ベース(LKB)を提案し、ユーザがパーソナライズされたセマンティック抽出やリカバリを行うことができる。
最後に,CGE(Generative Adversarial Network-based Channel Estimation)を用いて,無線チャネルの状態情報を推定する。
論文 参考訳（メタデータ） (2023-09-03T19:24:34Z) - Learning Structured Communication for Multi-agent Reinforcement Learning [104.64584573546524]
本研究では,マルチエージェント強化学習(MARL)環境下での大規模マルチエージェント通信機構について検討する。
本稿では、より柔軟で効率的な通信トポロジを用いて、LSC(Learning Structured Communication)と呼ばれる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-11T07:19:45Z)
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。