論文の概要: Arbor: Tree Search as a Cognition Layer for Autonomous Agents

• arxiv url: http://arxiv.org/abs/2606.12563v1
• Date: Wed, 10 Jun 2026 18:14:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.398832
• Title: Arbor: Tree Search as a Cognition Layer for Autonomous Agents
• Title（参考訳）: Arbor: 自律エージェントの認知層としてのツリー検索
• Authors: Neha Prakriya, Chaojun Hou, Zheng Gong, Huasha Zhao, Xi Zhao, Mou Li, Zhenyu Gu, Emad Barsoum,
• Abstract要約: Arborは、自律エージェントの認知層として構造化木探索を導入するマルチエージェントフレームワークである。 Arborは、複数の世代のハードウェアプラットフォームに一般化し、ラン・ツー・ラン分散は、ハードウェアに依存しない再現性を示す2ポイント以内である。
• 参考スコア（独自算出の注目度）: 11.049500825171245
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Arbor is a multi-agent framework that introduces structured tree search as a cognition layer for autonomous agents operating in large, stateful action spaces. Prior autonomous optimization systems operate on isolated targets with stateless evaluation. Arbor instead maintains an explicit search tree of scored hypotheses that serves as the shared working memory across agents, evolving with every measurement, treating failures as diagnostic signal that reshapes subsequent exploration, and expanding as prior successes shift the bottleneck distribution. We validate Arbor on full-stack LLM inference optimization, a domain where achieving peak performance has historically required coordinated effort from engineering teams across the application, framework, compiler, kernel, and hardware stack. Arbor pairs an Orchestrator agent, which drives optimization by delegating to Domain Specialists across the inference stack, with a Critic agent that safeguards stability through root-cause analysis, introspection, and measurement validation -- a checks-and-balances architecture where neither agent can unilaterally drive the system. Agent capabilities are decomposed into hard skills (domain expertise) and soft skills (coordination protocols that determine how contributions compose), enabling fully autonomous multi-day campaigns. Arbor achieves up to 193% inference throughput-latency Pareto improvement over vendor-optimized baselines, while a single agent without the harness plateaus at +33% throughput improvement and crashes irrecoverably within hours. Arbor generalizes to multiple generations of hardware platform, and run-to-run variance is within 2 percentage points demonstrating that the method is hardware-agnostic and reproducible.
• Abstract（参考訳）: Arborは、構造化木探索を、大規模でステートフルなアクション空間で動作する自律エージェントの認知層として導入するマルチエージェントフレームワークである。 従来の自律最適化システムは、ステートレスな評価で孤立したターゲットで動作する。 代わりにArborは、エージェント間で共有されたワーキングメモリとして機能し、すべての測定で進化し、障害を後続の探索を想起させる診断信号として扱い、事前の成功によってボトルネック分布がシフトする、という明確な仮説の探索木を維持している。 Arborは、アプリケーション、フレームワーク、コンパイラ、カーネル、ハードウェアスタック全体にわたるエンジニアリングチームによる協調的な努力を歴史的に必要としてきた、ピークパフォーマンスを達成するドメインです。 Arborは、推論スタックを越えてドメインスペシャリストに委譲することで最適化を推進するOrchestratorエージェントと、根本原因分析、イントロスペクション、測定バリデーションを通じて安定性を保護するCriticエージェントをペアリングする。 エージェント機能は、ハードスキル(ドメインの専門知識)とソフトスキル(コントリビューションがどのように構成されるかを決定する調整プロトコル)に分解され、完全に自律的なマルチデイキャンペーンを可能にします。 Arborはベンダー最適化ベースラインよりも193%のスループット-レイテンシ Paretoの改善を達成し、ハーネスのない単一のエージェントは+33%のスループット改善で、数時間以内にクラッシュする。 Arborは、複数の世代のハードウェアプラットフォームに一般化し、ラン・ツー・ラン分散は、ハードウェアに依存しない再現性を示す2ポイント以内である。

関連論文リスト

• Toward Generalist Autonomous Research via Hypothesis-Tree Refinement [150.99641031769633]
  本稿では,長寿命コーディネータ,短寿命エグゼキュータ,仮説ツリーリファインメント(HTR)を組み合わせた自律的研究フレームワークArborを紹介する。 結果が戻ると、Arborはツリーを更新し、再利用可能なレッスンを宣伝し、検索フロンティアを洗練し、検証された改善を認めた。
  論文  参考訳（メタデータ） (2026-06-10T10:57:05Z)
• The Meta-Agent Challenge: Are Current Agents Capable of Autonomous Agent Development? [80.24951682268332]
  本稿では,自律エージェント開発のためのフロンティアモデルのキャパシティをテストするための評価フレームワークであるMeta-Agent Challenge(MAC)を紹介する。 評価の整合性を確保するため、このフレームワークは報奨ハッキングに対する多層防御によって確保される。 メタエージェントは人間工学的な基本方針とほとんど一致せず、その一部はプロプライエタリなフロンティアモデルに支配されている。
  論文  参考訳（メタデータ） (2026-06-03T04:58:17Z)
• AdaExplore: Failure-Driven Adaptation and Diversity-Preserving Search for Efficient Kernel Generation [59.964989458924585]
  AdaExploreは、パフォーマンスクリティカルなカーネルコード生成のための蓄積された実行フィードバックによる自己改善を可能にするエージェントフレームワークである。 適応段階では、エージェントはタスクを合成し、繰り返し発生する障害を有効ルールの再利用可能なメモリに変換する。 探索段階では、候補核を木として整理し、小さな局所精製とより大きな構造再生を交互に行う。
  論文  参考訳（メタデータ） (2026-04-17T18:25:03Z)
• TreePS-RAG: Tree-based Process Supervision for Reinforcement Learning in Agentic RAG [71.06073770344732]
  エージェント検索強化生成(RAG)は、推論と情報検索の多段階的な相互作用として質問応答を定式化する。 エージェントRAGのためのオンラインツリーベースRLフレームワークであるTreePS-RAGについて述べる。
  論文  参考訳（メタデータ） (2026-01-11T14:07:30Z)
• Towards Efficient Agents: A Co-Design of Inference Architecture and System [66.59916327634639]
  本稿では,エージェントアクセラレーションのための統合フレームワークであるAgentInferを提案する。 問題をAgentCollab、AgentSched、AgentSAM、AgentCompressの4つの相乗的コンポーネントに分解する。 BrowseComp-zhとDeepDiverベンチマークの実験では、これらの手法の相乗的コラボレーションを通じて、AgentInferは非効率なトークン消費を50%以上削減することを示した。
  論文  参考訳（メタデータ） (2025-12-20T12:06:13Z)
• ArchPilot: A Proxy-Guided Multi-Agent Approach for Machine Learning Engineering [18.83090180326138]
  ArchPilotは、アーキテクチャ生成、プロキシベースの評価、適応検索を統一されたフレームワークに統合するマルチエージェントシステムである。 コストのかかるフルトレーニングの実行に最小限依存した、強力な候補を優先し、限られた予算下で効率的なMLエンジニアリングを促進する。
  論文  参考訳（メタデータ） (2025-11-06T02:14:59Z)
• Alita-G: Self-Evolving Generative Agent for Agent Generation [54.49365835457433]
  汎用エージェントをドメインエキスパートに変換するフレームワークであるALITA-Gを提案する。 このフレームワークでは、ジェネラリストエージェントが対象ドメインタスクのキュレートされたスイートを実行する。 計算コストを削減しながら、大きな利益を得ることができます。
  論文  参考訳（メタデータ） (2025-10-27T17:59:14Z)
• Tree Search for LLM Agent Reinforcement Learning [23.7084695563981]
  Tree-based Group Relative Policy Optimization (Tree-GRPO) は、木探索に基づくグループ化エージェントRL法である。 共通のプレフィックスを共有することで、ツリー検索サンプリングは、達成可能なロールアウトの数を増やす。 木レベルでの相対的政策最適化の目的は、ステップレベルの直接選好学習と同等であることを示す。
  論文  参考訳（メタデータ） (2025-09-25T14:37:09Z)
• xOffense: An AI-driven autonomous penetration testing framework with offensive knowledge-enhanced LLMs and multi agent systems [0.402058998065435]
  xOffenseはAI駆動のマルチエージェント浸透テストフレームワークである。 プロセスは、労働集約的で専門家主導のマニュアル作業から、完全に自動化され、マシン実行可能なスケーリングへと、計算インフラストラクチャとシームレスに移行します。
  論文  参考訳（メタデータ） (2025-09-16T12:45:45Z)

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。