Fugu-MT 論文翻訳(概要): PEAR: Permutation-Equivariant Adaptive Routing Multi-Agent Debate

論文の概要: PEAR: Permutation-Equivariant Adaptive Routing Multi-Agent Debate

arxiv url: http://arxiv.org/abs/2606.20621v1
Date: Tue, 26 May 2026 13:16:48 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-30 23:09:12.941131
Title: PEAR: Permutation-Equivariant Adaptive Routing Multi-Agent Debate
Title（参考訳）: PEAR: Permutation-Equivariant Adaptive Routing Multi-Agent Debate
Abstract要約: 推論時間プロトコルであるtextitPermutation-Equivariant Adaptive Routing Multi-Agent Debate (PEAR) を導入する。 PEARは、進化するエージェント状態に基づいてエージェントとロールの割り当てを戦略的に切り替えることで、任意のエージェントが特権ネットワークの位置を永久に占有することを防ぐ。総合的な経験的評価は、PEARが最強の議論ベースラインよりも平均精度を著しく向上させることを示している。
参考スコア（独自算出の注目度）: 47.1691533622053
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Multi-agent debate improves the reliability of large language models (LLMs) through iterative peer critiques. However, fixed topologies often introduce persistent positional biases, amplify unreliable agents, and cause high sensitivity to role assignments. We introduce \textit{Permutation-Equivariant Adaptive Routing Multi-Agent Debate (PEAR)}, an inference-time protocol that dynamically reconfigures communication roles and sparse topologies across consecutive debate rounds. By strategically switching agent-to-role assignments based on evolving agent states, PEAR prevents any agent from permanently occupying a privileged network position or distributes influence more evenly across the debate. We theoretically characterize PEAR as an equivariant sparse router: it preserves accuracy under agent relabeling while reducing routing complexity and improving generalization. Comprehensive empirical evaluations across four reasoning benchmarks and six diverse LLM backbones demonstrate PEAR significantly improves average accuracy over the strongest debate baselines. The code is at https://github.com/EVIEHub/PEAR.
Abstract（参考訳）: マルチエージェントの議論は、反復的なピア批判を通じて、大きな言語モデル(LLM)の信頼性を向上させる。しかし、固定トポロジーは、しばしば永続的な位置バイアスを導入し、信頼できないエージェントを増幅し、役割割り当てに対して高い感度を引き起こす。 PEAR(Adaptive Routing Multi-Agent Debate)は,通信ロールを動的に再構成し,連続的な議論ラウンドでトポロジを分離する推論時プロトコルである。 PEARは、進化するエージェント状態に基づいてエージェントとロールの割り当てを戦略的に切り換えることによって、任意のエージェントが特権ネットワークの位置を永久に占有することや、より均等に影響力を分配することを防ぐ。我々はPEARを等変スパースルータとして特徴付け、エージェントレバーベリングの下で精度を保ちながら、ルーティングの複雑さを低減し、一般化を改善する。 4つの推論ベンチマークと6つの多様なLCMバックボーンによる総合的な経験的評価は、PEARが最強の議論ベースラインよりも平均精度を著しく向上することを示した。コードはhttps://github.com/EVIEHub/PEAR.comにある。

関連論文リスト

TRACE: A Unified Rollout Budget Allocation Framework for Efficient Agentic Reinforcement Learning [52.67756371231985]
検証可能な報酬を伴う強化学習(RLVR)は、大規模言語モデルにおける推論とエージェント的行動を強化するための有望なアプローチである。本稿では,Tree Rollout Allocation for Contrastive Exploration (TRACE)について紹介する。技術的には、TRACEはロールアウト予算をルートと中間プレフィックスの両方に割り当てている。
論文参考訳（メタデータ） (2026-06-09T17:16:03Z)
CRPO: Character-centric Group Relative Policy Optimization for Role-aware Reasoning in Role-playing Agents [53.765941044015854]
本稿では,ロールプレイングタスクで目的を実現するためのフレームワークCRPOを提案する。 CRPOは3つのメカニズムにより、タスクロジックをスタイリスティックな報酬から切り離して勾配競合を解消し、文字複雑性に基づいた最適化制約を動的に適応させ、一般的な応答を負のベースラインとして利用し、モデルが共通の分布に戻すのを防ぐ。
論文参考訳（メタデータ） (2026-05-25T07:15:38Z)
TacoMAS: Test-Time Co-Evolution of Topology and Capability in LLM-based Multi-Agent Systems [55.81570336226014]
動的マルチエージェントシステムのためのテスト時間共進化フレームワークであるTacoMASを紹介する。 TacoMASはMAS推論をオンライングラフ適応のタスクとして定式化し、ノードは役割固有の能力を持つエージェントを表し、エッジはその通信トポロジを定義する。 4つのベンチマークの実験では、TacoMASは20近いマルチエージェントベースラインを上回り、最強ベースラインよりも平均13.3%向上した。
論文参考訳（メタデータ） (2026-05-10T13:52:00Z)
Latent Agents: A Post-Training Procedure for Internalized Multi-Agent Debate [16.68699018207298]
大規模言語モデル(LLM)における推論を改善するためのマルチエージェントの議論が示されている。 2段階の微調整パイプラインを通して,マルチエージェントの議論を単一のLLMに蒸留するフレームワークを開発した。内部化モデルは、最大93%のトークンを使用して、明示的なマルチエージェントの議論パフォーマンスにマッチするか、超過します。
論文参考訳（メタデータ） (2026-04-27T18:06:03Z)
Taming Actor-Observer Asymmetry in Agents via Dialectical Alignment [59.536125286960186]
セルフリフレクションと相互監査を可能にするために、専門的な役割を割り当てるマルチエージェントフレームワークがますます採用されている。アクター・オブザーバ非対称性(Actor-Observer Asymmetric)と呼ばれる認知バイアスを同時に誘発する。 ReTASは、対立する視点を客観的なコンセンサスに合成するためにエージェントを誘導する。
論文参考訳（メタデータ） (2026-04-21T15:05:58Z)
Heterogeneous Consensus-Progressive Reasoning for Efficient Multi-Agent Debate [58.675713546748305]
マルチエージェント・ディベート(英: Multi-Agent Debate、MAD)は、複数のエージェントが推論および反復的批判サイクルの生成を通じて、反復的にソリューションを洗練する協調的なフレームワークである。本研究は,HCP-MADのための不均一なコンセンサス・プログレッシブ推論を導入する。 HCP-MADは3段階のプログレッシブ推論機構を用いて、様々なタスク複雑度にまたがる適応的なソリューションを開発する。
論文参考訳（メタデータ） (2026-04-03T06:58:59Z)
The impact of multi-agent debate protocols on debate quality: a controlled case study [0.0]
マルチエージェント討論システムにおける3つの主要なプロトコルを比較した。 RA-CRはエージェントを動的にリオーダーし、外部のジャッジモデルを介して1ラウンドずつサイレントする。その結果、相互作用(ピア参照率)と収束(合意形成)のトレードオフが明らかになった。
論文参考訳（メタデータ） (2026-03-28T11:36:56Z)
Hear Both Sides: Efficient Multi-Agent Debate via Diversity-Aware Message Retention [31.583055847273826]
Multi-Agent Debateは、大規模言語モデルの推論品質を改善するための有望なフレームワークとして登場した。現在のアプローチは、放送前の低信頼応答をフィルタする不確実性推定に依存している。本稿では,エージェント応答のサブセットを選択する軽量な討論フレームワークであるDiversity-Aware Retention (DAR)を提案する。
論文参考訳（メタデータ） (2026-03-21T04:27:47Z)
ReAgent: Reversible Multi-Agent Reasoning for Knowledge-Enhanced Multi-Hop QA [29.578079759428014]
ReAgentは、明示的なバックトラッキング機構を備えた可逆的なマルチエージェント協調フレームワークである。提案システムでは,誤り検出と修正が可能で,より堅牢で解釈可能なQA結果が得られる。
論文参考訳（メタデータ） (2025-03-10T05:56:46Z)
When Disagreements Elicit Robustness: Investigating Self-Repair Capabilities under LLM Multi-Agent Disagreements [56.29265568399648]
我々は、不一致が早期のコンセンサスを防ぎ、探索されたソリューション空間を拡張することを主張する。タスククリティカルなステップの相違は、ソリューションパスのトポロジによってコラボレーションを損なう可能性がある。
論文参考訳（メタデータ） (2025-02-21T02:24:43Z)
DebUnc: Improving Large Language Model Agent Communication With Uncertainty Metrics [52.242449026151846]
大規模言語モデル(LLM)の精度向上のためのマルチエージェント論争が紹介されている。エージェントの信頼性を評価するために不確実性指標を用いた議論フレームワークであるDebUncを提案する。
論文参考訳（メタデータ） (2024-07-08T22:15:01Z)

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。