論文の概要: DynAMO:Dynamic Asset Management Orchestration via Topological Multi-Agent Scheduling
- arxiv url: http://arxiv.org/abs/2606.19382v1
- Date: Sun, 14 Jun 2026 10:54:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-19 18:23:39.427763
- Title: DynAMO:Dynamic Asset Management Orchestration via Topological Multi-Agent Scheduling
- Title（参考訳）: DynAMO:トポロジカルマルチエージェントスケジューリングによる動的アセット管理オーケストレーション
- Abstract要約: 我々はPlan-then-Executeアーキテクチャを用いて検証可能なワークフローグラフを生成するDynAMOを提案する。
独立タスクを動的に識別することで、DynAMOは構造的正確性と安全性を維持する。
並列実行は、シーケンシャルなオーケストレーションよりも、エンドツーエンドのレイテンシを1.6倍削減する。
- 参考スコア（独自算出の注目度）: 0.2333246928962179
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While LLM-powered agents offer end-to-end automation for industrial asset lifecycles, real-world Industry 4.0 deployment is hindered by latency, concurrency instability, and safety risks. We present DynAMO (Dynamic Asset Management Orchestration), a deployment-ready engine using a Plan-then-Execute architecture to generate verifiable workflow graphs. DynAMO supports both SequentialWorkflow (topological execution) and ParallelWorkflow (dependency-aware concurrency). By dynamically identifying independent tasks, DynAMO preserves structural correctness and safety while significantly improving efficiency through controlled reasoning overlap. Across six controlled experiments on the AssetOpsBench industrial benchmark, DynAMO demonstrates substantial performance and robustness gains. Parallel execution reduces end-to-end latency by a median of 1.6x over sequential orchestration, rising to 1.8x on highly parallelizable workflows. After instrumenting external tool calls with realistic latencies, a latency decomposition shows that LLM reasoning and orchestration still account for more than 90% of execution time, identifying model inference as the primary system bottleneck. Structured context pruning reduces inference latency by approximately 30%, and DynAMO maintains correct functional behaviour (task completion, agent sequencing, and output quality) while exhibiting graceful degradation under controlled fault injection. Reproducibility analysis further confirms stable execution under repeated runs, with parallel scheduling reducing latency variance. These findings establish DynAMO as a practical blueprint for scalable, safe, and latency-aware agent deployment in Industry 4.0 automation pipelines. Code is available at: https://github.com/kushwaha001/DynAMO
- Abstract（参考訳）: LLMを動力とするエージェントは産業資産ライフサイクルのエンドツーエンドの自動化を提供するが、実際の産業 4.0 の展開はレイテンシ、並行性の不安定性、安全性のリスクによって妨げられている。
我々は、Plan-then-Executeアーキテクチャを用いて検証可能なワークフローグラフを生成するデプロイメント対応エンジンであるDynAMO(Dynamic Asset Management Orchestration)を提案する。
DynAMOはSequentialWorkflow(トポロジ的実行)とParallelWorkflow(依存性対応並行処理)の両方をサポートしている。
独立タスクを動的に識別することで、DynAMOは構造的正当性と安全性を保ちながら、制御された推論オーバーラップによって効率を大幅に改善する。
AssetOpsBenchのインダストリアルベンチマークで6つのコントロールされた実験で、DynAMOは大幅なパフォーマンスとロバスト性の向上を示している。
並列実行により、シーケンシャルなオーケストレーションよりもエンド・ツー・エンドのレイテンシが1.6倍減少し、高度に並列化可能なワークフローでは1.8倍に向上する。
現実的なレイテンシで外部ツールコールを計測した後、遅延分解により、LLM推論とオーケストレーションが依然として実行時間の90%以上を占めており、モデル推論が主要なシステムのボトルネックであることが示された。
構造的コンテキストプルーニングは推論遅延を約30%削減し、DynAMOは正しい機能挙動(タスク完了、エージェントシークエンシング、出力品質)を維持しながら、制御された障害注入の下で優雅な劣化を示す。
再現性解析は、繰り返し実行時の安定した実行をさらに確認し、並列スケジューリングは遅延分散を減少させる。
これらの知見はDynAMOを産業用4.0自動化パイプラインにおけるスケーラブルで安全で遅延対応のエージェントのデプロイのための実用的な青写真として確立している。
コードは、https://github.com/kushwaha001/DynAMOで入手できる。
関連論文リスト
- Diffusion Language Models for Mobile Edge Agentic AI: Foundations, Applications, and Challenges [58.887152635127165]
拡散言語モデル(DLM)は、モバイルエッジエージェント人工知能(AI)の非自己回帰的な代替手段を提供する
DLMは複数の不確実なトークンを並列に更新し、生成プロセスを通して双方向のコンテキストを利用することができる。
この調査は、DLMの基礎をレビューし、レイテンシ、メモリ、エネルギ、帯域幅、プライバシ、信頼性制約の下でのエッジ設定に対する適合性を分析します。
論文 参考訳（メタデータ） (2026-09-04T06:16:49Z) - PeakBench: Benchmarking Resource-Aware Tool Invocation in LLM Agents [79.28372522980153]
PeakBenchは、実行可能なマルチツール依存アノテーションと測定リソースプロファイルのベンチマークである。
我々は,強い論理的計画が資源制約下での安全あるいは効率的な実行に確実に変換されないことを示す。
PeakBenchは、リソース認識エージェントの振る舞いの診断に有用なテストベッドである。
論文 参考訳（メタデータ） (2026-08-25T12:56:08Z) - OSDAG: Online Scheduling for Efficient Multi-Robot Collaboration [2.2726869886741383]
本稿では, LLMに基づくタスク推論と, Directed Acyclic Graph表現と制約対応オンラインスケジューリングを統合した新しいフレームワークOSDAGを提案する。
5つのベンチマークシナリオの実験では、OSDAGは対話ベースの手法に比べて5～15倍高速な推論時間を実現し、シーケンシャルベースラインよりも最大38%のペースパンを削減し、競争的な成功率を維持している。
論文 参考訳（メタデータ） (2026-06-13T11:22:34Z) - CoMem: Context Management with A Decoupled Long-Context Model [68.6597154502361]
CoMemは、プライマリエージェントワークフローからメモリ管理を分離するフレームワークである。
我々は、CoMemがバニラロングコンテキストソリューションで1.4倍のレイテンシ改善を実現していることを示す。
論文 参考訳（メタデータ） (2026-05-29T04:59:32Z) - Benchmarks are Not Enough: RAMP for Runtime Assessing of Agentic Models in Production Systems [2.9725171307292544]
ソフトウェアエンジニアリングエージェントを評価するための実運用基盤となるRAMPについて紹介する。
RAMPは、標準化されたオーケストレーションと実行インターフェースを通じて、統一されたランタイムアセスメントアーキテクチャを提供する。
論文 参考訳（メタデータ） (2026-05-26T16:28:10Z) - LiquidTAD: Efficient Temporal Action Detection via Parallel Liquid-Inspired Temporal Relaxation [2.3837169660687123]
LiquidTADは、液体神経力学以前の指数緩和を並列時間演算子に蒸留するフレームワークである。
LiquidTADは、モデルフットプリントを大幅に低下させながら、強力なベースラインと競合する精度を達成する。
論文 参考訳（メタデータ） (2026-04-20T13:48:17Z) - Chimera: Latency- and Performance-Aware Multi-agent Serving for Heterogeneous LLMs [62.17306142810532]
ヘテロジニアスLSMクラスタ上で動作するマルチエージェントワークフローの予測スケジューリングシステムであるChimeraを提案する。
Chimeは最高のレイテンシをトレースし、エンドツーエンドのレイテンシを1.2-2.4$times$で削減し、タスクパフォーマンスを平均8.0-9.5ポイント改善する。
論文 参考訳（メタデータ） (2026-03-23T17:01:42Z) - ProbeFlow: Training-Free Adaptive Flow Matching for Vision-Language-Action Models [12.232846303286161]
近年,フローマッチング (FM) アクションヘッドを搭載したビジョン・ランゲージ・アクション (VLA) モデルは,複雑なロボット操作において最先端の性能を実現する。
現在の加速はビジョン・ランゲージ・モデル(VLM)のバックボーンを最適化しているが、アクションヘッドのボトルネックは見落としている。
本稿では,継続的ロボット制御のためのトレーニング不要適応推論フレームワークProbeFlowを提案する。
論文 参考訳（メタデータ） (2026-03-18T15:38:29Z) - A Latency-Aware Framework for Visuomotor Policy Learning on Industrial Robots [0.8749675983608171]
本稿では,産業用ロボットアームにビジュモータポリシを展開するための遅延対応フレームワークを提案する。
我々は、有限水平、ポリシー予測されたアクションシーケンスをスケジュールする遅延対応実行戦略を導入する。
その結果,遅延対応実行はスムーズな動作,適合した接触動作,一貫したタスク進行を維持できることがわかった。
論文 参考訳（メタデータ） (2026-02-15T17:53:57Z) - DLLM Agent: See Farther, Run Faster [94.74432470237817]
拡散大言語モデル(DLLM)は、自己回帰(AR)デコーディングの代替として、魅力的な効率とモデリング特性を持つ。
我々は、DLLMとARのバックボーンを同一のエージェントワークフロー内でインスタンス化することで、制御された環境でこれを研究する。
DLLMエージェントはARエージェントよりも平均30%以上速く、場合によっては8倍のスピードアップを達成している。
論文 参考訳（メタデータ） (2026-02-07T09:01:18Z) - Learning Latency-Aware Orchestration for Parallel Multi-Agent Systems [18.192867631682674]
並列実行下での明示的なレイテンシを持つマルチエージェントシステムの学習に基づくオーケストレーションについて検討する。
本稿では,ワークアウェアなマルチエージェントオーケストレーションフレームワークであるLAMaSを提案する。
提案手法は,マルチエージェントアーキテクチャサーチにおける最先端のベースラインに比べて,クリティカルパス長を38～46%削減することを示す。
論文 参考訳（メタデータ） (2026-01-15T16:23:53Z) - 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) - Flow: Modularized Agentic Workflow Automation [53.073598156915615]
大規模言語モデル(LLM)を利用したマルチエージェントフレームワークは、自動計画とタスク実行において大きな成功を収めている。
しかし, 実行中のエージェントの効果的な調整は十分に研究されていない。
本稿では,エージェントによる継続的なワークフロー改善を可能にするアクティビティ・オン・頂点(AOV)グラフを定義する。
提案するマルチエージェントフレームワークは,サブタスクの効率的な同時実行,効果的なゴール達成,エラー耐性の向上を実現している。
論文 参考訳（メタデータ） (2025-01-14T04:35:37Z)
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。