論文の概要: Communication Policy Evolution for Proactive LLM Agents

• arxiv url: http://arxiv.org/abs/2606.14314v1
• Date: Fri, 12 Jun 2026 09:54:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.860547
• Title: Communication Policy Evolution for Proactive LLM Agents
• Title（参考訳）: プロアクティブLSMエージェントのための通信ポリシーの進化
• Authors: Xinbei Ma, Jiyang Qiu, Yao Yao, Zheng Wu, Yijie Lu, Xiangmou Qu, Jiaxin Yin, Xingyu Lou, Jun Wang, Weiwen Liu, Weinan Zhang, Zhuosheng Zhang, Hai Zhao,
• Abstract要約: 本稿では,コミュニケーションポリシを形式化し,テキストおよびUIベースのポリシを確立し,さまざまな環境におけるコミュニケーションポリシを評価する。 本稿では,コミュニケーションポリシーをロールアウトとプロンプトレベルの進化を通じて改善するための自己進化フレームワークであるコミュニケーションポリシー進化(CPE)を提案する。
• 参考スコア（独自算出の注目度）: 58.4960889232199
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM agents have rapidly evolved into autonomous systems, yet a persistent information gap remains between users and agents: communication is costly, while users' identical preferences further limit information exchange. To investigate how agents should communicate across modalities, this paper formalizes Communication Policy, establishes textual and UI-based policies, and then evaluates communication policies across diverse environments, personas, and model combinations. Building information asymmetry for proactive agents, we set up two complementary settings, User-Agent and Planner-Executor. Experimental results reveal complementary strengths between interaction channels: text-based interaction often facilitates task performance, while structured UI improves agents' response quality and persona compliance. Motivated by that, a hybrid method combines these advantages. We further propose Communication Policy Evolution (CPE), a self-evolution framework for refining communication policies through rollout and prompt-level evolving. Without model modification, CPE achieves the best task success across multiple settings using prompt refinement alone. Our findings identify communication behavior as a critical yet underexplored design dimension for LLM agents.
• Abstract（参考訳）: LLMエージェントは急速に自律システムへと進化しているが、ユーザとエージェントの間には永続的な情報ギャップが残っている。 エージェントがモダリティ間でどのようにコミュニケーションをするかを検討するために,コミュニケーションポリシーを定式化し,テキストおよびUIベースのポリシーを確立し,多様な環境,ペルソナ,モデルの組み合わせでコミュニケーションポリシーを評価する。 プロアクティブエージェントの情報非対称性を構築するために,ユーザエージェントとプランナー実行器という2つの補完的な設定を設定した。 テキストベースのインタラクションは、しばしばタスクのパフォーマンスを促進するが、構造化UIはエージェントの応答品質とペルソナコンプライアンスを改善する。 そのため、ハイブリッドな手法がこれらの利点を組み合わせている。 さらに、ロールアウトとプロンプトレベルの進化を通じて、コミュニケーションポリシーを洗練するための自己進化フレームワークである、コミュニケーションポリシー進化(CPE)を提案する。 モデル修正なしでは、CPEは即時改善だけで複数の設定で最高のタスク成功を達成する。 本研究は,LLM エージェントの通信動作を重要かつ未探索な設計次元として認識するものである。

関連論文リスト

• SCALE-COMM: Shared, Contrastively-Aligned Latent Embeddings for MARL Communication [0.0]
  本稿では,コンパクトで安定なコミュニケーション表現を学習するための自己教師型フレームワークを提案する。 学習した通信空間は, 政策微調整による安定性, サンプル効率, スループットの向上を図っている。
  論文  参考訳（メタデータ） (2026-05-26T18:06:19Z)
• InfoPO: Information-Driven Policy Optimization for User-Centric Agents [39.407032905771885]
  アクティブな不確実性低減のプロセスとしてマルチターンインタラクションをフレーム化するInfoPOを紹介する。 情報ゲイン報酬を計算し、そのフィードバックがエージェントのその後の行動分布を変化させるクレジットを回す。 そして、この信号とタスク結果とを適応分散ゲート融合により結合する。
  論文  参考訳（メタデータ） (2026-02-28T13:58:14Z)
• When Numbers Start Talking: Implicit Numerical Coordination Among LLM-Based Agents [45.43445469098021]
  本稿では,マルチエージェントシステムにおける隠蔽通信のゲーム理論的研究について述べる。 我々は,異なる通信体制下での4つの標準ゲーム理論設定間の相互作用を分析する。 不均一なエージェント・パーソナリティとワンショットゲームと繰り返しゲームの両方を考慮すると、隠蔽信号が出現し、協調と戦略的な結果をどう形成するかを特徴付ける。
  論文  参考訳（メタデータ） (2026-01-07T12:07:48Z)
• AgentRec: Next-Generation LLM-Powered Multi-Agent Collaborative Recommendation with Adaptive Intelligence [4.638507244153875]
  本稿では,次世代マルチエージェント協調レコメンデーションフレームワークであるAgentRecを紹介する。 提案手法では,会話理解,嗜好モデル,文脈認識,動的ランキングに,特殊なLLMエージェントを用いる。 3つの実世界のデータセットの実験では、AgentRecは最先端のベースラインよりも一貫した改善を実現している。
  論文  参考訳（メタデータ） (2025-10-02T02:47:11Z)
• 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)
• Communication Learning in Multi-Agent Systems from Graph Modeling Perspective [62.13508281188895]
  本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。 本稿では,各エージェントに対して時間的ゲーティング機構を導入し,ある時間に共有情報を受信するかどうかの動的決定を可能にする。
  論文  参考訳（メタデータ） (2024-11-01T05:56:51Z)
• Learning Multi-Agent Communication from Graph Modeling Perspective [62.13508281188895]
  本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。 提案手法であるCommFormerは,通信グラフを効率よく最適化し,勾配降下によるアーキテクチャパラメータをエンドツーエンドで並列に洗練する。
  論文  参考訳（メタデータ） (2024-05-14T12:40:25Z)
• On the Role of Emergent Communication for Social Learning in Multi-Agent Reinforcement Learning [0.0]
  社会学習は、専門家からのヒントを使って、異質なポリシーを整列し、サンプルの複雑さを減らし、部分的に観察可能なタスクを解決する。 本稿では,情報ボトルネックに基づく教師なし手法を提案する。
  論文  参考訳（メタデータ） (2023-02-28T03:23:27Z)
• Coordinating Policies Among Multiple Agents via an Intelligent Communication Channel [81.39444892747512]
  MARL(Multi-Agent Reinforcement Learning)では、エージェントが直接通信できる特別なチャンネルがしばしば導入される。 本稿では,エージェントの集団的性能を向上させるために,エージェントが提供した信号の伝達と解釈を学習する,インテリジェントなファシリテータを通じてエージェントがコミュニケーションする手法を提案する。
  論文  参考訳（メタデータ） (2022-05-21T14:11:33Z)

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。