論文の概要: The Optimization Trilemma: Efficiency, Comfort and Fairness in Decentralized Multi-agent Coordination

• arxiv url: http://arxiv.org/abs/2607.17311v1
• Date: Sun, 19 Jul 2026 15:51:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.425292
• Title: The Optimization Trilemma: Efficiency, Comfort and Fairness in Decentralized Multi-agent Coordination
• Title（参考訳）: 分散型マルチエージェントコーディネーションにおける効率性・快適性・公正性
• Abstract要約: システム全体の効率、個人の快適さ、および(3)分散マルチエージェント協調における公平性の3つの目的を最適化する問題について検討する。 通信や計算のオーバーヘッドを大幅に増大させることなく、これらの3つの目的を最適化する新しいモデルの設計を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The problem of fair multi-agent coordination in decentralized settings is one of the most pressing challenges for building efficient collaborative systems. Resource allocation is based on optimized collective arrangements accounting for agents' needs. Such coordination should not only be computationally efficient but also account for fairness, i.e., equitable redistribution of costs incurred by all agents. Recent literature has proposed several algorithms that efficiently determine optimal plan combinations balancing system-wide efficiency and individual discomfort of agents in a centralized setting. However, these works do not address equitable resource optimization in fully decentralized scenarios, specifically, the optimized redistribution of discomfort among coordinating agents so that none experiences a discomfort level that could lead to loss of incentive or polarization that can disrupt planned operations. In this work, we study the problem of optimizing three objectives: (i) system-wide efficiency, (ii) individuals' comfort and (iii) fairness (i.e., balancing of incurred discomfort costs) in decentralized multi-agent coordination. We design a novel model to optimize those three orthogonal objectives, without any substantial increase in communication and computational overhead. Through experiments on two real-world datasets, we validate the model and demonstrate that it can achieve fairer optimization outcomes, while satisfying agents' preferences and system goals.
• Abstract（参考訳）: 分散化された環境における公平なマルチエージェント協調の問題は、効率的な協調システムを構築する上で最も急進的な課題の1つである。 リソース割り当てはエージェントのニーズに応じて最適化された集合的なアレンジメントに基づいている。 このような調整は計算的に効率的であるだけでなく、公平性、すなわち全てのエージェントによって引き起こされるコストの公平な再分配も考慮すべきである。 近年の研究では、システム全体の効率とエージェントの個人的不快感のバランスをとる最適な計画組合せを効率よく決定するアルゴリズムが提案されている。 しかし、これらの研究は、完全に分散されたシナリオにおける公平な資源最適化に対処するものではなく、具体的には、調整エージェント間の不快を再分配することで、計画された操作を妨害するインセンティブや分極の喪失につながるような不快なレベルを経験する者はいない。 本研究では,3つの目的を最適化する問題について考察する。 (i)システム全体の効率 (二)個人の快適さ及び快適さ (三)分散マルチエージェント調整における公平性(すなわち、不愉快な不愉快なコストのバランス) 我々は,これらの3つの直交目的を,通信や計算オーバーヘッドを大幅に増加させることなく最適化する新しいモデルの設計を行う。 2つの実世界のデータセットの実験を通じて、エージェントの好みとシステム目標を満たすとともに、モデルを検証するとともに、より公平な最適化結果が得られることを示す。

関連論文リスト

• Breaking $\ extit{Winner-Takes-All}$: Cooperative Policy Optimization Improves Diverse LLM Reasoning [53.42577591449649]
  グループ協力政策最適化は、トレーニングパラダイムをロールアウト競争からチーム協力へとシフトさせる。 GCPOは独立したロールアウトスコアをチームレベルのクレジット割り当てに置き換える。 チームへの平均的な限界貢献に従って、各ロールアウトに対して、グループチームの報酬を再分配する。
  論文  参考訳（メタデータ） (2026-05-12T03:20:24Z)
• Learning to Act and Cooperate for Distributed Black-Box Consensus Optimization [4.633828400918887]
  分散ブラックボックスコンセンサス最適化はマルチエージェントシステムにおける基本的な問題である。 本稿では,リソース適応協調フレームワークを活性化するための段階的認知スケジューリング戦略を提案する。
  論文  参考訳（メタデータ） (2026-05-01T14:30:38Z)
• Karma Mechanisms for Decentralised, Cooperative Multi Agent Path Finding [7.187733825162918]
  MAPF(Multi-Agent Path Finding)は、大規模ロボットおよびサイバー物理システムにおける協調問題である。 本稿では,カーマ機構に基づくMAPFのための分散協調フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-09T08:35:13Z)
• Heterogeneous Agent Collaborative Reinforcement Learning [52.99813668995983]
  不均一エージェント協調強化学習(HACRL) 本稿では,このパラダイムに基づいて,サンプル利用とエージェント間の知識伝達を最大化するために,原則的なロールアウト共有を可能にする協調RLアルゴリズムであるHACPOを提案する。 多様な異種モデルの組み合わせと推論ベンチマークによる実験により、HACPOはすべてのエージェントを一貫して改善し、GSPOを平均3.3%上回り、ロールアウトコストの半分しか使っていないことが示された。
  論文  参考訳（メタデータ） (2026-03-03T05:09:49Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• Controlling Performance and Budget of a Centralized Multi-agent LLM System with Reinforcement Learning [53.57360296655208]
  大規模言語モデル(LLM)は、ドメイン間で補完的な強みを示し、様々な推論コストが伴う。 既存のアプローチは分散化されたフレームワークに依存しており、入力毎に複数のLSMを呼び出すため、実質的で制御されていない推論コストが発生する。 我々は,LLMコントローラが,コスト効率とコスト制御が可能な方法で,専門家モデルのプールを選択的にコーディネートする,集中型マルチLLMフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-04T17:35:17Z)
• Optimal-Agent-Selection: State-Aware Routing Framework for Efficient Multi-Agent Collaboration [20.982210711890513]
  STRMACは、マルチエージェントシステムにおける効率的な協調のために設計された状態認識ルーティングフレームワークである。 提案手法は,ルータを駆動するためのインタラクション履歴とエージェント知識を符号化し,各ステップで最適な単一エージェントを適応的に選択する。
  論文  参考訳（メタデータ） (2025-11-04T02:41:14Z)
• From Individual to Multi-Agent Algorithmic Recourse: Minimizing the Welfare Gap via Capacitated Bipartite Matching [9.37591403853433]
  本稿では,マルチエージェント・アルゴリズム・リコースのための新しいフレームワークを提案する。 我々のフレームワークは,システム設定に最小限の修正を加えて,多対多のアルゴリズムでほぼ最適の福祉を実現することができる。
  論文  参考訳（メタデータ） (2025-08-14T21:04:24Z)
• A RankNet-Inspired Surrogate-Assisted Hybrid Metaheuristic for Expensive Coverage Optimization [5.757318591302855]
  大規模カバレッジ最適化タスクを処理するために,RangeNetによるSurrogate支援ハイブリッドメタヒューリスティックを提案する。 我々のアルゴリズムは、EMVOPの最先端アルゴリズムを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-01-13T14:49:05Z)
• United We Stand: Decentralized Multi-Agent Planning With Attrition [4.196094610996091]
  分散計画は情報収集タスクのための協調型マルチエージェントシステムの鍵となる要素である。 本稿では,アクティブエージェントの集合の変化に時間的かつ効率的に適応できる分散アルゴリズムであるAttritable MCTSを提案する。 A-MCTSは高故障率でも効率よく適応できることを理論的および実験的に示す。
  論文  参考訳（メタデータ） (2024-07-11T07:55:50Z)
• Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime [59.27851754647913]
  予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。 我々は,広告のための新しい産業データセットを含む8つの問題に対して,既存のPtO/PnOメソッド11をベンチマークするモジュラーフレームワークを開発した。 本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
  論文  参考訳（メタデータ） (2023-11-13T13:19:34Z)
• Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
  エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。 ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。 提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
  論文  参考訳（メタデータ） (2023-10-10T00:21:10Z)
• Serverless Federated AUPRC Optimization for Multi-Party Collaborative Imbalanced Data Mining [119.89373423433804]
  有効指標としてAUPRC(Area Under Precision-Recall)を導入した。 サーバーレスのマルチパーティ共同トレーニングは、サーバーノードのボトルネックを避けることで通信コストを削減できる。 本稿では,AUPRCを直接最適化する ServerLess biAsed sTochastic gradiEnt (SLATE) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-08-06T06:51:32Z)
• Inducing Equilibria via Incentives: Simultaneous Design-and-Play Finds Global Optima [114.31577038081026]
  本稿では,デザイナーとエージェントの問題を同時に1ループで解くための効率的な手法を提案する。 設計者は平衡問題を何度も解決しないが、エージェントに対するインセンティブの全体的な影響を予測できる。 このアルゴリズムは,幅広い種類のゲームに対して,サブ線形速度で大域的最適値に収束することを示す。
  論文  参考訳（メタデータ） (2021-10-04T06:53:59Z)

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。