論文の概要: Dynamic Coalition Formation and Communication Pricing in Skill-Based Agentic AI Systems

• arxiv url: http://arxiv.org/abs/2608.07532v1
• Date: Fri, 24 Jul 2026 19:25:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 01:32:04.551613
• Title: Dynamic Coalition Formation and Communication Pricing in Skill-Based Agentic AI Systems
• Title（参考訳）: スキルベースエージェントAIシステムにおける動的協調形成と通信価格
• Abstract要約: タスク条件付きネットユーティリティ$U(Cmid x)=V(Cmid x)-sum_iin Cc_i$との協調ゲームとしてエージェントの選択と通信をモデル化する。 本稿では,限界値のアクティベーションルールとgreedyルータを提案し,そのモデルを拡張してエッジ毎のコストで通信エッジを最適化し,推定したShapley値を用いて,実行前後にどのエージェントが接触する価値があるかを推定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern agentic AI systems combine multiple large language model agents with heterogeneous skills, yet most architectures either fix communication in advance or allow full broadcast. Both can be inefficient because token cost, latency, redundancy, and error propagation increase with the number of active agents and communication links. We model agent selection and communication as a cooperative game with task-conditioned net utility $U(C\mid x)=V(C\mid x)-\sum_{i\in C}c_i$, separating coalition-level costs from agent activation costs. We propose a marginal-value activation rule and greedy router, extend the model to optimize communication edges with per-edge costs, and use estimated Shapley values to predict which agents are worth contacting before and during execution. We connect the problem to submodular maximization and prove two limited guarantees: a curvature-refined bound for a monotone, cardinality-constrained special case, and a tight $1/2$-approximation, with a correction for signed objectives, for an unconstrained non-monotone case via double greedy. Neither guarantee applies directly to the main router, which remains a heuristic. We also prove a Shapley-submodularity sandwich bound linking the error of marginal-value routing to a per-agent diminishing-returns quantity. In synthetic experiments, greedy routing achieves $99.5%$ of brute-force-optimal utility while activating $1.96$ of $8$ agents on average, compared with $38.8%$ for full broadcast. Performance is robust to activation cost and redundancy weight but falls to $66%$ under strong violations of submodularity or noisy value estimates. We distinguish the framework from Shapley pricing, hedonic coalition formation, and communication-graph pruning, and propose evaluation on real multi-agent LLM benchmarks.
• Abstract（参考訳）: 現代のエージェントAIシステムは、複数の大きな言語モデルエージェントと異種スキルを組み合わせたものだが、ほとんどのアーキテクチャは、事前に通信を修正するか、完全なブロードキャストを許可する。 トークンのコスト、レイテンシ、冗長性、エラーの伝播がアクティブエージェントと通信リンクの数とともに増加するため、どちらも非効率である。 我々は、エージェント選択と通信を、タスク条件付きネットユーティリティ$U(C\mid x)=V(C\mid x)-\sum_{i\in C}c_i$の協調ゲームとしてモデル化し、エージェントアクティベーションコストから連立レベルのコストを分離する。 本稿では,限界値のアクティベーションルールとgreedyルータを提案し,そのモデルを拡張してエッジ毎のコストで通信エッジを最適化し,推定したShapley値を用いて,実行前後にどのエージェントが接触する価値があるかを推定する。 この問題を部分モジュラー最大化(submodular maximization)に結び付けて、2つの制限された保証を証明している: 単調な曲率再定義(curvature-refined bound for a monotone)、濃度制約付き特殊ケース(custity-constrained special case)、符号付き目的の補正を伴う1/2$-approximation, and a tight $1/2$-approximation, for an unconstrained non-monotone case via double greedy。 どちらの保証もメインルータに直接適用されないが、これはまだヒューリスティックである。 また,シャープリー・サブモジュラリティサンドイッチが辺値ルーティングの誤差をアジェント単位の減少・反転量にリンクしていることも証明した。 合成実験では、グリーディ・ルーティングはブルート・フォース・最適ユーティリティの99.5%、平均で1.96ドル、フルブロードキャストでは38.8%である。 性能はアクティベーションコストと冗長性ウェイトに対して堅牢であるが、サブモジュラリティまたはノイズ値推定の強い違反により66%$に低下する。 我々は,本フレームワークをShapley価格,ヘドニック連成形成,通信グラフプルーニングと区別し,実マルチエージェントLCMベンチマークによる評価を提案する。

関連論文リスト

• TRACE: A Unified Rollout Budget Allocation Framework for Efficient Agentic Reinforcement Learning [52.67756371231985]
  検証可能な報酬を伴う強化学習(RLVR)は、大規模言語モデルにおける推論とエージェント的行動を強化するための有望なアプローチである。 本稿では,Tree Rollout Allocation for Contrastive Exploration (TRACE)について紹介する。 技術的には、TRACEはロールアウト予算をルートと中間プレフィックスの両方に割り当てている。
  論文  参考訳（メタデータ） (2026-06-09T17:16:03Z)
• Mitigating Anchoring Bias in LLM-Based Agents for Energy-Efficient 6G Autonomous Networks [3.2715455153948256]
  本稿では,Large Language Model (LLM) エージェントを用いた6Gアーキテクチャにおけるゼロタッチネットワークスライシングを実現するための,自律型エージェントリソースネゴシエーションフレームワークを提案する。 このようなエージェントは本質的にバイアスのアンカーに悩まされ、初期提案に固執し、ネットワークオーバープロビジョンを引き起こしていることを示す。 当社の認知的脱バイアスは、厳格な交渉パターンを分解し、エージェントにSLA境界を安全に乗り越え、システムの省エネを最大25%向上させるアクティブな探索を強制します。
  論文  参考訳（メタデータ） (2026-06-05T08:29:03Z)
• Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
  emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。 EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
  論文  参考訳（メタデータ） (2026-05-28T09:45:47Z)
• A Communication-Theoretic Framework for LLM Agents: Cost-Aware Adaptive Reliability [0.20625936401496228]
  大規模言語モデル(LLM)に基づく大規模言語モデルの信頼性技術について検討する。 これらの信頼性手法は6つの古典的信頼性演算子の特別な場合であることを示す。 本稿では,1つのラグランジアンノブが高品質なフロンティアを横断するコストアレスト近傍ルータを提案する。
  論文  参考訳（メタデータ） (2026-05-09T19:14:33Z)
• Socially-Weighted Alignment: A Game-Theoretic Framework for Multi-Agent LLM Systems [17.658093330392052]
  本稿では,エージェントの個人目的と集団福祉の推定を補間することにより,推論時間決定の修正を行うゲーム理論フレームワークを提案する。 以上の結果から, SWAは, 過負荷下での需要増加のために, エージェントがもはや限界的なインセンティブを持たない, 臨界しきい値$*=(n-)/(n-1)$を誘導することを示した。
  論文  参考訳（メタデータ） (2026-02-16T05:17:58Z)
• 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)
• JigsawComm: Joint Semantic Feature Encoding and Transmission for Communication-Efficient Cooperative Perception [7.867653563872962]
  JigsawCommはエンドツーエンドのトレーニング、セマンティックアウェア、通信効率の良いCPフレームワークである。 正規化エンコーダを使用して、意味的関連性とスパースな特徴を抽出する。 軽量のFeature Utility Estimatorを使用して、各エージェントの機能を最終認識タスクへのコントリビューションを予測する。
  論文  参考訳（メタデータ） (2025-11-21T23:36:24Z)
• Near-Optimal Online Learning for Multi-Agent Submodular Coordination: Tight Approximation and Communication Efficiency [52.60557300927007]
  離散部分モジュラー問題を連続的に最適化するために,$textbfMA-OSMA$アルゴリズムを提案する。 また、一様分布を混合することによりKLの発散を効果的に活用する、プロジェクションフリーな$textbfMA-OSEA$アルゴリズムも導入する。 我々のアルゴリズムは最先端OSGアルゴリズムによって提供される$(frac11+c)$-approximationを大幅に改善する。
  論文  参考訳（メタデータ） (2025-02-07T15:57:56Z)
• Cut the Crap: An Economical Communication Pipeline for LLM-based Multi-Agent Systems [42.137278756052595]
  $texttAgentPrune$は、メインストリームのマルチエージェントシステムにシームレスに統合できる。 textbf(I)は、既存のマルチエージェントフレームワークとシームレスに統合され、28.1%sim72.8%downarrow$トークンの削減を行う。 textbf(III)は2種類のエージェントベースの敵攻撃に対して3.5%sim10.8%uparrow$パフォーマンス向上で防御に成功した。
  論文  参考訳（メタデータ） (2024-10-03T14:14:31Z)
• Federated Combinatorial Multi-Agent Multi-Armed Bandits [79.1700188160944]
  本稿では,Banditを用いたオンライン最適化に適したフェデレーション学習フレームワークを提案する。 この設定では、エージェントのアームサブセットは、個々のアーム情報にアクセスせずにこれらのサブセットに対するノイズの多い報酬を観察し、特定の間隔で協力して情報を共有することができる。
  論文  参考訳（メタデータ） (2024-05-09T17:40:09Z)
• Multi-Agent Neural Rewriter for Vehicle Routing with Limited Disclosure of Costs [65.23158435596518]
  チームのマルコフゲームとして、部分的に観測可能なコストでマルチサイクルルーティング問題を解く。 我々のマルチエージェント強化学習アプローチである、いわゆるマルチエージェントニューラルリライタは、1エージェントニューラルリライタを利用して、反復的に書き換えるソリューションによって問題を解決する。
  論文  参考訳（メタデータ） (2022-06-13T09:17:40Z)
• Robustness Certificates for Implicit Neural Networks: A Mixed Monotone Contractive Approach [60.67748036747221]
  暗黙のニューラルネットワークは、競合性能とメモリ消費の削減を提供する。 入力逆流の摂動に関して、それらは不安定なままである。 本稿では,暗黙的ニューラルネットワークのロバスト性検証のための理論的および計算的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-10T03:08:55Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)

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。