Fugu-MT 論文翻訳(概要): How Task Structure Limits Multi-Agent Success: An Information-Theoretic Analysis

論文の概要: How Task Structure Limits Multi-Agent Success: An Information-Theoretic Analysis

arxiv url: http://arxiv.org/abs/2606.13733v1
Date: Thu, 11 Jun 2026 11:56:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-15 16:00:42.529806
Title: How Task Structure Limits Multi-Agent Success: An Information-Theoretic Analysis
Title（参考訳）: タスク構造がマルチエージェントの成功を制限する方法:情報理論解析
Authors: Shi Pan, Ming Luo,
Abstract要約: マルチエージェントシステム(MAS)は,コラボレーションを通じて単一エージェントシステム(SAS)の限界を克服することが期待された。我々は、MASの成功確率が、各エージェントが限られた情報処理能力を持つタスク制約の接続性に密接に結びついていることを証明する。
参考スコア（独自算出の注目度）: 1.8763872698583377
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Multi-agent systems (MAS) were expected to overcome the limitation of single-agent systems (SAS) through collaboration. However, under typicality conditions on the task's constraint graph and bounded inter-agent communication, we prove that the success probability of a MAS is closely tied to the connectivity of task constraints, where each agent has limited information-processing capacity. Specifically, the success probability decays exponentially with an information bottleneck that emerges from partitioning the task's constraint graph among agents. We define this quantity as the \emph{minimum cut cost} $C_{\min}$ of the potential constraint graph of each task. This information-theoretic bound applies to both open systems with external feedback and closed systems without. We validate our theory on both synthetic experiments and real-world empirical data from SWE-bench submissions. From our framework, effective MAS design should incorporate task-inherent constraints alongside engineering optimization, and when $\Cmin$ is high, practitioners should restructure tasks rather than simply scaling agents or communication.
Abstract（参考訳）: マルチエージェントシステム(MAS)は,コラボレーションを通じて単一エージェントシステム(SAS)の限界を克服することが期待された。しかし,タスクの制約グラフとエージェント間通信における典型的な条件下では,MASの成功確率は,各エージェントが限られた情報処理能力を持つタスク制約の接続性に密接に結びついていることが証明される。特に、成功確率は、タスクの制約グラフをエージェント間で分割することによって生じる情報ボトルネックとともに指数関数的に減衰する。この量は、各タスクの潜在的制約グラフの \emph{minimum cut cost} $C_{\min}$ と定義する。この情報理論境界は、外部フィードバックのないオープンシステムとクローズドシステムの両方に適用される。我々は,SWE-benchからの合成実験と実世界の実証データの両方について,本理論を検証した。我々のフレームワークから、効果的なMAS設計は、エンジニアリング最適化と並行してタスクの一貫性のある制約を取り入れるべきであり、$\Cmin$が高ければ、実践者は単にエージェントやコミュニケーションをスケーリングするのではなく、タスクを再構築する必要がある。

関連論文リスト

Coordination Graphs for Constrained Multi-Agent Reinforcement Learning [4.278821961637313]
制約付きマルチエージェント強化学習(CG-CMARL)のためのコーディネーショングラフシステムは、共同問題をペアワイズ領域に分解し、それぞれに共有Q-関数の集合を提供する。実行時には、Max-Sumメッセージパッシングがファクタグラフ全体のアクションをコーディネートし、ラグランジアン乗算器が客観的-制約トレードオフを制御する。
論文参考訳（メタデータ） (2026-06-01T14:46:16Z)
On Performance Guarantees for Federated Learning with Personalized Constraints [1.0195618602298684]
フェデレートラーニング(FL)は、複数のエージェントにまたがる分散ラーニングのための通信効率のよいアルゴリズムフレームワークとして登場した。そこで我々は,PC-FedAvgを提案する。PC-FedAvgはマルチブロック局所決定ベクトルを用いて,各エージェントが他エージェントの変数の相互推定を行う手法である。我々は,サブ最適化のために$mathcalO(-2)$,エージェントワイド実現のために$mathcalO(-1)$の通信複雑度を定めている。
論文参考訳（メタデータ） (2026-03-20T03:49:28Z)
On the Paradoxical Interference between Instruction-Following and Task Solving [50.75960598434753]
次の命令は、大規模言語モデル(LLM)を、タスクの実行方法に関する明示的な制約を指定することで、人間の意図と整合させることを目的としている。我々は,LLMのタスク解決能力にパラドックス的に干渉する命令に従うという,直感に反する現象を明らかにした。本稿では,タスク解決に追従する命令の干渉を定量化する指標として,SUSTAINSCOREを提案する。
論文参考訳（メタデータ） (2026-01-29T17:48:56Z)
Benefits and Limitations of Communication in Multi-Agent Reasoning [11.788489289062312]
マルチエージェントシステムの表現性を解析するための理論的枠組みを提案する。 i) タスクを正確に解くために必要なエージェントの数, (ii) エージェント間通信の量と構造, (iii) 達成可能なスピードアップを問題サイズとコンテキストスケールとして導出する。本研究は,コミュニケーションが有益である状況を特定し,エージェント数と帯域幅のトレードオフを明確化し,いずれのリソースにも制約がある場合の本質的な制約を明らかにする。
論文参考訳（メタデータ） (2025-10-14T20:04:27Z)
WebSailor-V2: Bridging the Chasm to Proprietary Agents via Synthetic Data and Scalable Reinforcement Learning [73.91893534088798]
WebSailorは、この重要な機能を組み込むように設計された、完全なポストトレーニング方法論である。我々のアプローチは、構造化サンプリングと情報難読化によって、新しい、不確実なタスクを生成することである。 WebSailorは複雑な情報検索タスクにおいて、すべてのオープンソースエージェントを著しく上回る。
論文参考訳（メタデータ） (2025-09-16T17:57:03Z)
XAgents: A Unified Framework for Multi-Agent Cooperation via IF-THEN Rules and Multipolar Task Processing Graph [14.273739638741139]
XAgentsはマルチポーラタスク処理グラフとIF-THENルールに基づいて構築された統合マルチエージェント協調フレームワークである。 XAgentsは、知識型および論理型問合せタスクの両方において、最先端のシングルエージェントおよびマルチエージェントアプローチを一貫して超越している。
論文参考訳（メタデータ） (2025-09-12T08:40:58Z)
Federated Knowledge Graph Completion via Latent Embedding Sharing and Tensor Factorization [51.286715478399515]
FLEST(Federated Latent Embedding Factorization)は、KGの完全化にFederated Factorizationを用いた新しい手法である。 FLESTは埋め込み行列を分解し、潜伏辞書の埋め込みを共有することでプライバシーリスクを低減している。実証的な結果はFLESTの有効性と効率を示し、パフォーマンスとプライバシのバランスのとれたソリューションを提供する。
論文参考訳（メタデータ） (2023-11-17T06:03:56Z)
Graph Exploration for Effective Multi-agent Q-Learning [46.723361065955544]
本稿では,エージェント間のグラフベース通信を用いたマルチエージェント強化学習(MARL)の探索手法を提案する。エージェントが受け取った個々の報酬は、他のエージェントのアクションとは独立していると仮定する一方で、そのポリシーは結合されている。提案手法では,より効率的な爆発行動を実行するために,近隣のエージェントが協調して状態-作用空間の不確かさを推定する。
論文参考訳（メタデータ） (2023-04-19T10:28:28Z)
Arch-Graph: Acyclic Architecture Relation Predictor for Task-Transferable Neural Architecture Search [96.31315520244605]
Arch-Graphはタスク固有の最適アーキテクチャを予測するトランスファー可能なNASメソッドである。 Arch-Graphの転送性と,多数のタスクにわたる高いサンプル効率を示す。わずか50モデルの予算の下で、2つの検索スペースで平均して0.16%と0.29%のアーキテクチャを見つけることができる。
論文参考訳（メタデータ） (2022-04-12T16:46:06Z)
Distributed Adaptive Learning Under Communication Constraints [54.22472738551687]
本研究では,コミュニケーション制約下での運用を目的とした適応型分散学習戦略について検討する。我々は,ストリーミングデータの連続的な観察から,オンライン最適化問題を解決しなければならないエージェントのネットワークを考える。
論文参考訳（メタデータ） (2021-12-03T19:23:48Z)
Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal Constraints [52.58352707495122]
本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
論文参考訳（メタデータ） (2020-05-27T01:10:41Z)

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。