論文の概要: Focus Is All You Need: Adaptive Goal-aware Attention Orchestration for Multi-Agent Graph Systems

• arxiv url: http://arxiv.org/abs/2607.23678v1
• Date: Sun, 26 Jul 2026 14:23:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.186245
• Title: Focus Is All You Need: Adaptive Goal-aware Attention Orchestration for Multi-Agent Graph Systems
• Title（参考訳）: 多エージェントグラフシステムのためのアダプティブゴール認識アテンションオーケストレーション
• Abstract要約: 大規模言語モデル(LLM)は、推論、計画、計算、ツール使用のための自律的なエージェントを可能にする。 近年のシステムは、これらのエージェントを特別な相互接続ノードのグラフとして整理するようになっている。 既存のアプローチはしばしばグラフコンポーネントを均一に実行し、無関係または低インパクトなタスクでリソースを浪費する。 textbfAttention Orchestrationは、トークン表現からワークフローレベルのエージェント調整まで、Transformerスタイルの注意を拡大するパラダイムである。
• 参考スコア（独自算出の注目度）: 28.41165257733149
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) enable autonomous agents for reasoning, planning, and tool use. Recent systems increasingly organize these agents as graphs of specialized, interconnected nodes. Although graph-based orchestration supports flexible decomposition and coordination, it creates a key challenge: \textbf{attention allocation}. As workflows grow, existing approaches often execute graph components uniformly, wasting resources on irrelevant or low-impact tasks. We introduce \textbf{Attention Orchestration}, a paradigm that extends Transformer-style attention from token representations to workflow-level agent coordination. Our framework, \textbf{Adaptive Goal-aware Attention Orchestration (AGAO)}, dynamically estimates agent importance based on user objectives, graph dependencies, and computational constraints. AGAO combines three components: (1) goal-aware attention, measuring semantic relevance between user goals and agent capabilities; (2) topology-aware attention, modeling structural dependencies in agent graphs; and (3) resource-aware attention, allocating budgets and execution priorities across heterogeneous agents. Together, these mechanisms transform static agent graphs into adaptive systems that focus computation on goal-critical reasoning paths. Experiments across diverse multi-agent workloads show that AGAO improves task effectiveness while reducing unnecessary computation, latency, and token consumption compared with existing graph-based execution strategies. Our work establishes \textbf{Attention Engineering} as a direction for scalable, intelligent multi-agent systems. Code: https://github.com/MingzhouFan97/AGAO.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、推論、計画、ツール使用のための自律的なエージェントを可能にする。 近年のシステムは、これらのエージェントを特別な相互接続ノードのグラフとして整理するようになっている。 グラフベースのオーケストレーションはフレキシブルな分解と調整をサポートするが、これは重要な課題を生み出している。 ワークフローが大きくなるにつれて、既存のアプローチはグラフコンポーネントを均一に実行し、無関係または低インパクトなタスクでリソースを浪費する。 本稿では,トークン表現からワークフローレベルのエージェント調整に至るまで,Transformerスタイルの注目度を拡張するパラダイムである‘textbf{Attention Orchestration} を紹介する。 我々のフレームワークである『textbf{Adaptive Goal-aware Attention Orchestration』(AGAO)は、ユーザ目標、グラフ依存、計算制約に基づいてエージェントの重要性を動的に推定する。 AGAOは,(1)目標認識,ユーザ目標とエージェント能力のセマンティックな関連性の測定,(2)トポロジ認識,エージェントグラフの構造的依存性のモデル化,(3)リソース認識,予算配分,不均一エージェント間の実行優先順位の3つのコンポーネントを組み合わせる。 これらのメカニズムは静的エージェントグラフを適応システムに変換し、ゴールクリティカルな推論経路に計算を集中させる。 多様なマルチエージェントワークロードに対する実験により、AGAOは、既存のグラフベースの実行戦略と比較して、不要な計算、レイテンシ、トークン消費を削減しながら、タスク効率を改善することが示されている。 我々の研究は、スケーラブルでインテリジェントなマルチエージェントシステムの方向性として、‘textbf{Attention Engineering}’を確立する。 コード:https://github.com/MingzhouFan97/AGAO。

関連論文リスト

• Inference-Time Graph Engineering for Multi-Agent LLM Workflows [51.56038180639833]
  ReActNetは、クエリとロール特化エージェントのセットを一連の有向通信グラフにコンパイルする、トレーニング不要のフレームワークである。 ReActNetは、競争的推論コストを維持しつつ、固定トポロジと学習トポロジのベースラインを一貫して改善することを示す。
  論文  参考訳（メタデータ） (2026-09-04T23:32:11Z)
• Graph Engineering in the Era of LLM Agents: From Individual Intelligence to System Intelligence [115.91847478507736]
  LLMは言語ジェネレータから、複雑な長距離タスクが可能な自律エージェントへと進化してきた。 多くのタスクにはヘテロジニアスな専門知識、相互依存サブタスク、並列実行、独立検証、永続状態が必要である。 私たちはこれをシステムインテリジェンス(System Intelligence)と呼び、複数のインテリジェントなコンポーネントを一貫した適応的な全体へと整理し、コーディネートするエージェントシステムの能力である。
  論文  参考訳（メタデータ） (2026-08-21T14:27:57Z)
• AdaSTORM: Scaling LLM Reasoning on Dynamic Graphs via Adaptive Spatio-Temporal Multi-Agent Collaboration [17.873099309973657]
  本稿では,AdaSTORM(Adaptive Spatio-Temporal MultiAgent-Temporal Collaboration)による動的グラフのスケーリング推論について述べる。 AdaSTORMは、動的グラフ推論に適した最初のマルチエージェントフレームワークである。 既存のベンチマークで最先端の精度を実現し、実世界のデータセットに堅牢に一般化する。
  論文  参考訳（メタデータ） (2026-06-15T07:32:44Z)
• AGMARL-DKS: An Adaptive Graph-Enhanced Multi-Agent Reinforcement Learning for Dynamic Kubernetes Scheduling [0.0]
  クラウドネイティブなアプリケーションには、システムの安定性、リソース利用、関連するコストのバランスをとることのできる、インテリジェントなスケジューラが必要です。 現在の強化学習ベースのスケジューラには3つの大きな制限がある。 AGMARL-DKS(Adaptive Graph-enhanced Neural Multi-Agent Reinforcement Learning Dynamic Scheduler)を提案する。
  論文  参考訳（メタデータ） (2026-03-12T15:09:48Z)
• El Agente Gráfico: Structured Execution Graphs for Scientific Agents [7.47895130442454]
  タイプセーフな実行環境内に,大規模言語モデル(LLM)による意思決定を組み込んだ単一エージェントフレームワークであるEl Agente Grficoを紹介する。 我々のアプローチの中心は、科学概念の構造化された抽象化と、型付きPythonオブジェクトとして計算状態を表すオブジェクトグラフマッパーである。 大学レベルの量子化学タスクのスイートにまたがって,自動ベンチマークフレームワークを開発することにより,システムの評価を行う。
  論文  参考訳（メタデータ） (2026-02-19T23:47:05Z)
• AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
  tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。 エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
  論文  参考訳（メタデータ） (2025-10-06T23:20:49Z)
• Assemble Your Crew: Automatic Multi-agent Communication Topology Design via Autoregressive Graph Generation [91.17994756436259]
  大規模言語モデル(LLM)に基づくマルチエージェントシステム(MAS)は、多様な領域にわたる複雑な問題を扱うための強力なソリューションとして登場した。 既存のアプローチは、事前に定義されたエージェントセットとハードコードされた相互作用構造を持つテンプレートグラフ修正パラダイムに依存しているため、基本的に制限されている。 協調グラフをスクラッチから構築することで、このパラダイムを運用する新しい自己回帰モデルであるARG-Designerを提案する。
  論文  参考訳（メタデータ） (2025-07-24T09:17:41Z)
• 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)
• GraphAgent: Agentic Graph Language Assistant [23.28223204340633]
  明示的なグラフ依存と暗黙的なグラフ強化セマンティック相互依存性に対処する自動エージェントパイプラインであるGraphAgentを提案する。 GraphAgentには3つの重要なコンポーネントがある: (i) 複雑なセマンティックな依存関係を反映した知識グラフを構築するグラフ生成エージェント; (ii) 多様なユーザクエリを解釈し、エージェントによる自己計画を通じて対応するタスクを定式化するタスク計画エージェント; (iii) ユーザクエリに対応するツールマッチングと呼び出しを自動化しながら、計画されたタスクを効率的に実行するタスク実行エージェント。
  論文  参考訳（メタデータ） (2024-12-22T14:13:32Z)
• 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)
• Message-Aware Graph Attention Networks for Large-Scale Multi-Robot Path Planning [12.988435681305281]
  グラフニューラルネットワーク(GNN)は、分散マルチエージェントシステムにおける通信ポリシの学習能力から人気を集めている。 我々は、メッセージ依存の注意を喚起するための新しいメカニズムを取り入れることで、GNNをマルチエージェントパス計画に活用する以前の作業を拡張した。 我々のメッセージ対応グラフ注意neTwork(MAGAT)は、近隣のロボットから受信したメッセージにおける特徴の相対的重要性を決定するキークエリライクなメカニズムに基づいている。
  論文  参考訳（メタデータ） (2020-11-26T10:37:13Z)
• Graph Convolutional Value Decomposition in Multi-Agent Reinforcement Learning [9.774412108791218]
  深層強化学習における値関数分解のための新しい枠組みを提案する。 特に、エージェントのチームは完全有向グラフのノードの集合であると考えている。 我々は,チーム状態-行動値関数を各エージェント毎の観察-行動値関数に分解する混合GNNモジュールを導入し,グローバルチーム報酬の分数で各エージェントに明示的なクレジット割り当てを行う。
  論文  参考訳（メタデータ） (2020-10-09T18:01:01Z)

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。