論文の概要: Width, Memory, and Delay: A Resource Accounting for the Limits of Flat Multi-Agent Systems
- arxiv url: http://arxiv.org/abs/2608.00028v1
- Date: Tue, 14 Jul 2026 20:35:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 06:38:12.175191
- Title: Width, Memory, and Delay: A Resource Accounting for the Limits of Flat Multi-Agent Systems
- Title（参考訳）: 幅, メモリ, 遅延: フラットマルチエージェントシステムの限界に対するリソース会計
- Abstract要約: 最近のプレプリントでは、平らで均質なマルチエージェントシステムは、達成不可能なエラーに対して、人口非依存の因果的フロア'に直面すると論じられている。
この結論は強すぎることを示し、3つのリソース上に構築された定量的リソースモデルに置き換える。
障害スペクトルのオラクル知識をオンライン学習に置き換える価格を定量化する。
- 参考スコア（独自算出の注目度）: 27.425096016504174
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A recurring question in the design of scalable multi-agent systems -- from robot swarms to collectives of large-language-model (LLM) agents -- is whether adding more agents can, on its own, overcome performance limits, or whether a qualitatively \emph{deeper} organization is required. A recent preprint argues that flat, homogeneous multi-agent systems face an irreducible, population-independent ``causal floor'' on achievable error, removable only by hierarchical (nested-loop) organization. Using a controlled disturbance-rejection testbed with an exactly computable optimum, we show this conclusion is too strong and replace it with a quantitative resource model built on three resources: population \emph{width} $N$, per-agent internal-model \emph{memory} $d$, and prediction across the observation \emph{delay} $τ$. We establish three claims. (i) The achievable floor is governed not by architectural hierarchy but by per-agent internal-model content: a flat, homogeneous swarm whose agents carry a matched internal model of the disturbance matches or beats a designed two-loop hierarchy at equal per-agent memory -- so temporal depth can be dynamical (recurrent memory), not architectural (nesting). (ii) The three resources are \emph{not mutually interchangeable}; we chart the exchange rates and the hard non-exchange boundaries on an explicit width$\times$memory map, including a strict equal-total-state-budget comparison. (iii) A residual floor is set by the observation delay and the environment's unpredictability over that horizon, which we verify against the optimal controller. We quantify the price of replacing oracle knowledge of the disturbance spectrum with online learning, provide a preliminary robustness check against a mild bounded nonlinearity and a spatially-extended plant, and distill four design rules for practitioners.
- Abstract（参考訳）: ロボット群から大規模言語モデル(LLM)エージェントの集合体に至るまで、スケーラブルなマルチエージェントシステムの設計における繰り返しの疑問は、パフォーマンス制限を克服するエージェントの追加が可能か、定性的に「emph{deeper}」の組織が必要かである。
最近のプレプリントでは、平らで均質なマルチエージェントシステムは、達成不可能な誤りで、階層的な(ネストされたループ)組織によってのみ取り除かれる、人口に依存しない‘Causal floor'’に直面すると論じられている。
厳密な計算可能な最適値を持つ制御された外乱退避テストベッドを用いて、この結論は強すぎて、3つのリソース上に構築された定量的な資源モデルに置き換えられることを示す: population \emph{width} $N$, per-agent internal-model \emph{ memory} $d$, そして、観測する \emph{delay} $τ$。
我々は3つの主張を立証する。
i) 達成可能なフロアは、アーキテクチャ階層ではなく、アジェント毎の内部モデルの内容によって管理される: エージェントが一致する内部モデルを持つ平坦で均一なスワムであり、同じアジェント単位のメモリで設計された2ループ階層を破る - 時間深度は動的(リカレントメモリ)であり、アーキテクチャ(ネスト)ではない。
(ii)3つのリソースは相互交換可能で、交換レートとハードな非交換境界を明示的な幅$\times$Memory Mapで表し、厳密な等時的状態-予算比較を含む。
三 残層は、その地平線上での観測遅延と環境の予測不可能により設定され、最適制御装置に対して検証する。
本研究では、外乱スペクトルのオラクル知識をオンライン学習に置き換える価格を定量化し、緩やかな境界非線形性と空間的に拡張された植物に対する予備的堅牢性チェックを提供し、実践者のために4つの設計規則を蒸留する。
関連論文リスト
- Beyond Binary: Continuous State Optimization with Graph-Structured Objectives [61.561691314533135]
大規模学習システムは、複数の競合する可能性のある目標のバランスをとるという課題に直面していることが多い。
ほぼ最適の後悔を維持しつつ,スイッチングコストを最小限に抑えるため,遅延更新を行うアルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-08-10T09:46:28Z) - MambaADv2: Evolving Duality-enhanced State Space Model for Unsupervised Anomaly Detection [108.36437360254605]
本稿では,マルチクラス非教師付き異常検出に適したフレームワークであるMambaADv2を提案する。
MambaADv2は、事前訓練されたエンコーダと、複数のスケールにわたるDuality-enhanced State Space (DSS)モジュールを備えたMambaインスパイアされたデコーダで構成される。
HSS(Hybrid State Space)ブロックの構造は、SSDベースのMambaラインに従って調整され、Mamba3スタイルの位置認識状態空間モデリングが組み込まれている。
論文 参考訳（メタデータ） (2026-06-22T10:14:06Z) - Mean-Field Diffuser: Scaling Offline MARL to Thousands of Agents [18.152109081372544]
軌道分布のワッサーシュタイン空間に軌道計画を持ち上げるフレームワークであるMF-Diffuserを紹介する。
我々は、MF-Diffuserが、最適でないオフラインデータと極端なスケールで、ほとんどの設定において最高のリターンを達成することを示す。
論文 参考訳（メタデータ） (2026-05-28T16:32:56Z) - Neural Router: Semantic Content Matching for Agentic AI [41.39228253084888]
大規模言語モデル(LLM)は、エージェントAIのためのコンテンツベースのパブリッシュ/サブスクライブブローカのセマンティックマッチングエンジンとして機能する。
3つの公開データセット上でオフラインのマルチラベル検索として評価され、我々の中心的な貢献は2つのクロスオーバーコストのキャラクタリゼーションである。
論文 参考訳（メタデータ） (2026-05-25T10:58:53Z) - PRISM: : Planning and Reasoning with Intent in Simulated Embodied Environments [59.07829883257003]
5つの集合住宅の上に建設され、PRISMは300の人間認証タスクを3つの能力レベルに構成する。
PRISMはエージェントに依存しない実行可能なアクションAPIを公開し、任意のエージェントをエンドツーエンドで評価できるようにする。
論文 参考訳（メタデータ） (2026-05-12T04:59:47Z) - ComplexMCP: Evaluation of LLM Agents in Dynamic, Interdependent, and Large-Scale Tool Sandbox [61.862814740220806]
$textbfComplexMCP$は厳格な条件下でエージェントを評価するために設計されたベンチマークである。
Model Context Protocol (MCP)上に構築された$textbfComplexMCP$は300以上の精巧にテストされたツールを提供する。
論文 参考訳（メタデータ） (2026-05-11T16:20:51Z) - OMG-Agent: Toward Robust Missing Modality Generation with Decoupled Coarse-to-Fine Agentic Workflows [9.617220633655716]
textbfunderlineOmni-textbfunderlineModality textbfunderlineGeneration Agent (textbfOMG-Agent)について述べる。
論文 参考訳（メタデータ） (2026-02-04T02:25:40Z) - Phase Transition for Budgeted Multi-Agent Synergy [41.486076708302456]
マルチエージェントシステムは信頼性を向上させることができるが、固定された推論予算の下では、しばしば役立つか、飽和するか、崩壊するかさえある。
我々は、現代のエージェントスタックの3つの束縛制約からこれらの状態を予測する最小限の校正可能な理論を開発する。
論文 参考訳（メタデータ） (2026-01-24T05:32:50Z) - Cascading multi-agent anomaly detection in surveillance systems via vision-language models and embedding-based classification [0.0]
この研究は、補完パラダイムをコヒーレントで解釈可能なアーキテクチャに統一するカスケーディングマルチエージェントフレームワークを導入している。
初期モジュールは再構成ゲートフィルタリングとオブジェクトレベルの評価を行い、高レベルの推論エージェントは、意味的に曖昧な事象を解釈するために選択的に呼び出される。
このフレームワークは、早期出力効率、適応型マルチエージェント推論、説明可能な異常属性を組み合わせることで、従来の検出パイプラインを超えて進歩し、スケーラブルなインテリジェントなビジュアル監視のための再現可能でエネルギー効率の良い基盤を確立する。
論文 参考訳（メタデータ） (2026-01-08T11:31:47Z) - Towards Efficient Agents: A Co-Design of Inference Architecture and System [66.59916327634639]
本稿では,エージェントアクセラレーションのための統合フレームワークであるAgentInferを提案する。
問題をAgentCollab、AgentSched、AgentSAM、AgentCompressの4つの相乗的コンポーネントに分解する。
BrowseComp-zhとDeepDiverベンチマークの実験では、これらの手法の相乗的コラボレーションを通じて、AgentInferは非効率なトークン消費を50%以上削減することを示した。
論文 参考訳（メタデータ） (2025-12-20T12:06:13Z) - Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning [56.240199425429445]
マルチロボット運動計画(MPMP)は、共有された連続作業空間で動作する複数のロボットのための軌道を生成する。
離散マルチエージェント探索(MAPF)法は,その拡張性から広く採用されているが,粗い離散化の軌道品質は高い。
本稿では、制約付き生成拡散モデルを用いた離散MAPF解法を導入することにより、2つのアプローチの限界に対処する。
論文 参考訳（メタデータ） (2025-08-27T17:59:36Z)
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。