Fugu-MT 論文翻訳(概要): PLATO: Pointer Learner for Agent and Task Openness

論文の概要: PLATO: Pointer Learner for Agent and Task Openness

arxiv url: http://arxiv.org/abs/2607.25082v2
Date: Wed, 29 Jul 2026 02:00:40 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-30 14:21:10.718324
Title: PLATO: Pointer Learner for Agent and Task Openness
Title（参考訳）: PLATO: エージェントとタスクのオープン性のためのポインタ学習
Abstract要約: エージェント・タスク・オープンネスのためのポインタ学習システム(PLATO)について紹介する。 PLATOはポインタネットワークベースのアクターであり、集中型グラフニューラルネットワーク(GNN)批判と組み合わせている。我々は,OASYSの最先端ベースラインよりも高い性能と一貫したゼロショットの一般化を示す。
参考スコア（独自算出の注目度）: 2.413584261314428
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Open agent systems (OASYS) are increasingly prevalent in real-world domains where the sets of agents and tasks change unpredictably over time. Such openness, including agent openness (AO) and task openness (TO), poses a fundamental challenge to multi-agent reinforcement learning (MARL), which typically assumes fixed state and action spaces. Existing methods address openness only partially: padding and masking approaches introduce artificial bounds, while recent graph-based or hypergraph methods handle one dimension of openness but still depend on restrictive assumptions. In this paper, we introduce Pointer Learner for Agent and Task Openness (PLATO), a pointer-network-based actor combined with a centralized graph neural network (GNN) critic, trained with multi-agent proximal policy optimization under a centralized training and decentralized execution paradigm. Our pointer-based actor outputs distributions directly over the current task set. This directly supports changing action spaces without masking or retraining. Our GNN critic encodes agent-task interactions as a graph that changes shape with task and agent composition. Together, these components consider AO and TO without the boundedness of existing approaches. We formalize PLATO in a Task-and-Agent-Open Markov Game (TaAgO-MG), extending prior task-open formulations, and prove it is well-defined over the resulting unbounded state and action spaces. We evaluate PLATO with the Methods for Open Agent Systems Evaluation Initiative (MOASEI) wildfire suppression domain, an environment designed for open multi-agent system evaluation, and we demonstrate strong performance and more consistent zero-shot generalization than state-of-the-art baselines in OASYS.
Abstract（参考訳）: オープンエージェントシステム(OASYS)は、エージェントとタスクのセットが時間とともに予測不可能に変化する現実世界のドメインでますます普及している。エージェントオープンネス(AO)やタスクオープンネス(TO)を含むそのようなオープンネスは、一般に状態と行動空間を仮定するマルチエージェント強化学習(MARL)に根本的な課題をもたらす。パディングとマスキングのアプローチは人工的境界を導入し、最近のグラフベースあるいはハイパーグラフ法は1次元のオープン性を扱うが、それでも制限的な仮定に依存している。本稿では、ポインタネットワークベースのアクタであるPointer Learner for Agent and Task Openness(PLATO)と、集中型グラフニューラルネットワーク(GNN)批判を併用し、集中型トレーニングおよび分散実行パラダイムの下で、マルチエージェント近似ポリシー最適化を訓練する。我々のポインタベースのアクターは、現在のタスクセット上で直接分布を出力します。これは、マスクやリトレーニングなしで、アクション空間の変更を直接サポートします。我々のGNN批評家は、タスクとエージェントの構成で形状を変えるグラフとして、エージェントとタスクの相互作用をエンコードしています。これらのコンポーネントは、既存のアプローチのバウンダリなしにAOとTOを考慮する。 PLATOをタスク・アンド・Agent-Open Markov Game (TaAgO-MG) で形式化し、タスク・オープンの定式化を拡張し、結果の非有界状態およびアクション空間に対して十分に定義されていることを証明した。我々は,オープンマルチエージェントシステム評価のための環境であるMOASEI(Methods for Open Agent Systems Evaluation Initiative)の山火事抑制ドメインを用いてPLATOを評価し,OASYSの最先端ベースラインよりも強力な性能と一貫したゼロショットの一般化を示す。

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)
A-MADiff: Attention-Guided Multi-Agent DRL with Diffusion Policies for Memory-Aware Task Orchestration in Mobile AIGC Networks [12.516277671699525]
モバイルAIGCネットワークは、エッジロケーションのAIGCサービスプロバイダ(ASPs)上でGenAIモデルをホストし、モバイルユーザに低レイテンシでパーソナライズされたAIGCサービスを提供する。 AIGCタスクオーケストレーションに関する既存の研究は、GPUメモリ実現可能性の制約を概ね見落としている。我々は、アンダーライン拡散ポリシー(A-MADiff)を用いたアンダーラインアテンション誘導型アンダーライン・アンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンダーラインアンガートディープ強化学習アルゴリズムを提案する。 A-MADiffは状態に対する累積報酬を大幅に改善することを示した。
論文参考訳（メタデータ） (2026-08-29T13:19:44Z)
Scalable Multi-Agent Maze Traversal with Local Communication [1.2875771631391097]
エージェントが未知の、おそらく巡回グラフを一括してトラバースできる分散アルゴリズムを提案する。エージェントは指定されたスタートノードで順次入力され、ローカライズされ、未公表のゴールに到達する。いずれにせよ、探査はエージェントの1人のみが行う。
論文参考訳（メタデータ） (2026-08-12T10:21:26Z)
Linguistic Firewall: Geometry as Defense in Multi-Agent Systems Routing [1.4033701678475552]
評価駆動型ルーティングアーキテクチャであるANTAPを導入する。 ANTAPは、記述ベースのルータベースラインでは67.3%以上であるのに対して、記述ベースのインジェクション攻撃に対してほぼゼロのASRを実現している。
論文参考訳（メタデータ） (2026-06-29T16:51:06Z)
Distributed General-Purpose Agent Networks: Architecture, Key Mechanisms, and Prototypes [6.912160696802991]
本稿では,分散汎用エージェントネットワークについて検討する。従来のP2Pネットワークとは異なり、エージェントネットワークは意図、能力、状態、協力に関する意味的宣言を伝達しなければならない。本稿では,シーケンシャルログを用いたボディーレスゴシップ,MG-EigenTrustの評判を用いたBAIDベースのIDバインディング,セマンティック属性フィードバックによって駆動されるStackelberg方式のメカニズム生成ループなどの技術経路を提案する。
論文参考訳（メタデータ） (2026-06-15T23:57:13Z)
The Meta-Agent Challenge: Are Current Agents Capable of Autonomous Agent Development? [80.24951682268332]
本稿では,自律エージェント開発のためのフロンティアモデルのキャパシティをテストするための評価フレームワークであるMeta-Agent Challenge(MAC)を紹介する。評価の整合性を確保するため、このフレームワークは報奨ハッキングに対する多層防御によって確保される。メタエージェントは人間工学的な基本方針とほとんど一致せず、その一部はプロプライエタリなフロンティアモデルに支配されている。
論文参考訳（メタデータ） (2026-06-03T04:58:17Z)
Just Ask: Curious Code Agents Reveal System Prompts in Frontier LLMs [65.6660735371212]
textbftextscJustAskは,インタラクションのみで効果的な抽出戦略を自律的に発見するフレームワークである。これは、アッパー信頼境界に基づく戦略選択と、原子プローブと高レベルのオーケストレーションにまたがる階層的なスキル空間を用いて、オンライン探索問題として抽出を定式化する。この結果から,現代のエージェントシステムにおいて,システムプロンプトは致命的ではあるがほぼ無防備な攻撃面であることがわかった。
論文参考訳（メタデータ） (2026-01-29T03:53:25Z)
SCOPE: Prompt Evolution for Enhancing Agent Effectiveness [53.75986399936395]
大規模言語モデル(LLM)エージェントは、大規模で動的なコンテキストを生成する環境にますますデプロイされている。エージェントはこのコンテキストにアクセスできますが、静的なプロンプトには効果的に管理するメカニズムがありません。 textbfSCOPE (Self-evolving Context Optimization via Prompt Evolution) を導入する。本稿では,戦術的特異性(即時誤りの解消)と戦略的汎用性(長期原則の進化)のバランスをとるデュアルストリーム機構を提案する。
論文参考訳（メタデータ） (2025-12-17T12:25:05Z)
Alita-G: Self-Evolving Generative Agent for Agent Generation [54.49365835457433]
汎用エージェントをドメインエキスパートに変換するフレームワークであるALITA-Gを提案する。このフレームワークでは、ジェネラリストエージェントが対象ドメインタスクのキュレートされたスイートを実行する。計算コストを削減しながら、大きな利益を得ることができます。
論文参考訳（メタデータ） (2025-10-27T17:59:14Z)
Bayesian Ego-graph inference for Networked Multi-Agent Reinforcement Learning [16.190458233440864]
本稿では,ネットワーク型MARLのためのグラフベースのポリシーを提案する。ベイズ変分法による疎密なコンテキスト認識相互作用構造を学習する分散型アクターフレームであるBayesGを紹介する。 BayesGは、最大167エージェントの大規模トラフィック制御タスクにおいて、強力なMARLベースラインを上回っている。
論文参考訳（メタデータ） (2025-09-20T10:09:37Z)
SentinelAgent: Graph-based Anomaly Detection in Multi-Agent Systems [11.497269773189254]
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)に適したシステムレベルの異常検出フレームワークを提案する。本稿では,エージェント間相互作用を動的実行グラフとしてモデル化し,ノード,エッジ,パスレベルでの意味的異常検出を可能にするグラフベースのフレームワークを提案する。第2に,セキュリティポリシとコンテキスト推論に基づくMAS実行の監視,解析,介入を行うLLMによる監視エージェントである,プラグイン可能なSentinelAgentを導入する。
論文参考訳（メタデータ） (2025-05-30T04:25:19Z)
AgentVigil: Generic Black-Box Red-teaming for Indirect Prompt Injection against LLM Agents [54.29555239363013]
本稿では,間接的なインジェクション脆弱性を自動的に検出し,悪用するための汎用的なブラックボックスファジリングフレームワークであるAgentVigilを提案する。我々はAgentVigilをAgentDojoとVWA-advの2つの公開ベンチマークで評価し、o3-miniとGPT-4oに基づくエージェントに対して71%と70%の成功率を達成した。攻撃を現実世界の環境に適用し、悪質なサイトを含む任意のURLに誘導するエージェントをうまく誘導する。
論文参考訳（メタデータ） (2025-05-09T07:40:17Z)

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。