論文の概要: Artificial collectives of specialists and generalists excel at different tasks

• arxiv url: http://arxiv.org/abs/2606.20877v1
• Date: Thu, 18 Jun 2026 19:08:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 12:19:35.834105
• Title: Artificial collectives of specialists and generalists excel at different tasks
• Title（参考訳）: 専門家とジェネリストの人工的集合体は、異なるタスクでエクササイズする
• Authors: John Meluso, Laurent Hébert-Dufresne, Christoph Riedl, H. Oliver Gao,
• Abstract要約: エージェントの解釈能力,合理性境界,タスク品質が集団的パフォーマンスにどのように作用するかを示す。 エージェントは、狭義の解釈能力を持つスペシャリストから、広義のジェネラリストまで様々である。 マルチエージェント設計は、タスク要求とエージェントの計算限界の両方に解釈ネットワークをマッチさせることの利点を示唆している。
• 参考スコア（独自算出の注目度）: 1.7266027274320124
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Collective artificial intelligence, where multiple agents work on shared tasks, holds potential to solve expansive problems in fields from medicine to collective governance. But while prescriptive engineering solutions abound, we lack descriptive scientific understanding of artificial collectives, and therefore principles for how to design resource efficient multi-agent systems. Through systematic experiments with optimizing agents, we characterize how agent interpretive abilities, rationality bounds, and task qualities interact to shape collective performance. Agents range from specialists, with narrow interpretive abilities, to generalists, with broad ones. Collectives of specialists correspond to sparse, centralized networks, while collectives of generalists correspond to dense, decentralized ones. We show that interpretive network properties have small performance effects on average (0.07 standard deviations of performance). However, for specific task qualities, these effects are 4.5 times larger (0.33 sd) and can reach much higher for certain task qualities (1.84 sd). This leads collectives of generalists to perform better on tasks that involve generating, choosing, and coordinating, while collectives of specialists with a few generalist mediators perform better on tasks that involve negotiating. Rationality bounds then moderate these relationships. At loose bounds, specialists outperform generalists through more effective sampling of high-dimensional decision spaces. At tight bounds, generalists outperform specialists through better gradient estimation. A fundamental trade-off between performance and convergence speed emerges at moderate bounds. These findings suggest that multi-agent design could benefit from matching interpretive networks to both task demands and agents' computational limits, with implications for the efficiency and energy costs of multi-agent systems.
• Abstract（参考訳）: 複数のエージェントが共通のタスクで作業する集合人工知能は、医学から集団統治まで幅広い分野の問題を解決する可能性を秘めている。 しかし、規範的なエンジニアリングソリューションは多いが、私たちは人工集合に関する記述的な科学的理解が欠如しているため、リソース効率の良いマルチエージェントシステムを設計するための原則が欠如している。 最適化エージェントを用いた系統的な実験を通じて,エージェントの解釈能力,合理性境界,タスク品質が集団的パフォーマンスにどのように作用するかを特徴付ける。 エージェントは、狭義の解釈能力を持つスペシャリストから、広義のジェネラリストまで様々である。 専門家の集団は疎密で中央集権的なネットワークに対応し、一般論者の集団は密集した非中央集権的なネットワークに対応している。 本研究では,解釈的ネットワーク特性が平均性能に小さいこと(性能の標準偏差0.07)を示す。 しかし、特定のタスク品質では、これらの効果は4.5倍(0.33 sd)であり、特定のタスク品質(1.84 sd)に対してはるかに高い値に達する。 これにより、ジェネラリストの集団は、生成、選択、調整を含むタスクでより良いパフォーマンスをし、一方、数人のジェネラリストの仲介者を持つ専門家の集団は、交渉に関わるタスクでより良いパフォーマンスを発揮できる。 合理性はこれらの関係を緩やかにする。 ゆるやかな境界において、スペシャリストは高次元決定空間のより効率的なサンプリングによって一般主義者より優れる。 厳密な境界において、ジェネラリストはより良い勾配推定によってスペシャリストより優れる。 性能と収束速度の基本的なトレードオフは、適度な境界で現れる。 これらの結果から、マルチエージェント設計は、タスク要求とエージェントの計算限界の両方に解釈ネットワークを適合させることで、マルチエージェントシステムの効率性とエネルギーコストに影響を及ぼす可能性が示唆された。

関連論文リスト

• Scaling Behavior of Single LLM-Driven Multi-Agent Systems [5.2324118961669575]
  マルチエージェントシステム(MAS)は、協調的な知性によって複雑なタスクに取り組むことを約束する。 本稿では, エージェント数の増加に伴い, 均質MASの性能がどう進化するかを系統的に検討する。
  論文  参考訳（メタデータ） (2026-05-30T09:57:49Z)
• Beyond Task Performance: A Metric-Based Analysis of Sequential Cooperation in Heterogeneous Multi-Agent Destructive Foraging [41.439643274006364]
  本研究は異種マルチエージェントシステムにおける協調分析の問題に対処する。 提案した指標群は,協調の多段階的特徴付けを共同で提供する3つの主要なカテゴリに分類される。 不均一な自律走行車を用いた動的水面洗浄にインスパイアされた、現実的な破壊的な捕食シナリオで検証されている。
  論文  参考訳（メタデータ） (2026-02-11T09:39:24Z)
• Multi-Agent Teams Hold Experts Back [37.015657067301355]
  自己組織化LDMチームが強力なシナジーを達成できるかどうかを考察する。 人間のチームとは違って、LLMチームは、専門家のエージェントのパフォーマンスと一貫して一致しないのです。 私たちは、識別ではなく、専門家の活用が主要なボトルネックであることを示しています。
  論文  参考訳（メタデータ） (2026-02-01T04:34:36Z)
• Predicting Multi-Agent Specialization via Task Parallelizability [8.465921582175426]
  タスクレギュラーやチームサイズに応じて、特殊化がパフォーマンスを改善することを予測したクローズドフォーム境界を示す。 反対のベンチマークを表す2つの標準MARLベンチマークでモデルを検証した。 Overcooked-AIにおける3つのフォローアップ実験は、このモデルがより複雑な空間的および資源的ボトルネックを持つ環境で動作することを示した。
  論文  参考訳（メタデータ） (2025-03-19T21:33:48Z)
• Scaling Large Language Model-based Multi-Agent Collaboration [72.8998796426346]
  近年の大規模言語モデル駆動型自律エージェントのブレークスルーにより、複数エージェントのコラボレーションが集団的推論を通じて各個人を上回ることが判明している。 本研究は、協調剤の連続的な添加が同様の利益をもたらすかどうかを考察する。
  論文  参考訳（メタデータ） (2024-06-11T11:02:04Z)
• AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors [93.38830440346783]
  本稿では,その構成をより高機能なシステムとして協調的に調整できるマルチエージェントフレームワークを提案する。 実験により,フレームワークが単一エージェントより優れたマルチエージェントグループを効果的に展開できることが実証された。 これらの振舞いの観点から、我々は、ポジティブなものを活用し、ネガティブなものを緩和し、マルチエージェントグループの協調可能性を改善するためのいくつかの戦略について議論する。
  論文  参考訳（メタデータ） (2023-08-21T16:47:11Z)
• Generalization in Cooperative Multi-Agent Systems [49.16349318581611]
  協調型マルチエージェントシステムのための組合せ一般化(CG)の理論的基盤について検討する。 CGは、幅広いアプリケーションにまたがる実用性とデプロイ性を向上させることができるため、自律システムにとって非常に望ましい特徴である。
  論文  参考訳（メタデータ） (2022-01-31T21:39:56Z)
• Randomized Entity-wise Factorization for Multi-Agent Reinforcement Learning [59.62721526353915]
  実世界のマルチエージェント設定は、エージェントや非エージェントエンティティのタイプや量が異なるタスクを伴うことが多い。 我々の方法は、これらの共通点を活用することを目的としており、「観察対象のランダムに選択されたサブグループのみを考えるとき、各エージェントが期待する効用は何か?」という問いを投げかける。
  論文  参考訳（メタデータ） (2020-06-07T18:28:41Z)

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。