論文の概要: ExRole: From Team Trajectories to Executable Roles in Multi-Agent Language Models
- arxiv url: http://arxiv.org/abs/2608.11949v1
- Date: Wed, 12 Aug 2026 11:35:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.564683
- Title: ExRole: From Team Trajectories to Executable Roles in Multi-Agent Language Models
- Title（参考訳）: ExRole: チームトラジェクトリからマルチエージェント言語モデルにおける実行可能な役割へ
- Abstract要約: 有用な役割は実行可能制御変数であるべきだと我々は主張する。
将来的な役割のプロトタイプを学習するトラジェクトリ・ツー・ロールのフレームワークであるExRoleを紹介した。
ベンチマーク全体を通じて、結果は、ロールフリー、マニュアル、ランダム、シャッフルされた代替よりも、トラジェクトリによって引き起こされるロール条件を常に好んでいる。
- 参考スコア（独自算出の注目度）: 8.17263506524276
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Roles provide an interpretable interface for organizing language-model agents, yet most multi-agent systems treat them as hand-written prompt labels disconnected from learned behavior and parameter updates. We argue that a useful role should instead be an executable control variable: it should summarize behavior predictive of future utility, guide subsequent interaction, and identify the trainable capacity responsible for that behavior. We introduce ExRole, a trajectory-to-role framework that learns future-aware role prototypes from prefix-local team traces, resolves them into readable instructions and token-aligned role markers, and optionally routes shared LoRA rank slots with turn-aligned credit. Across MuSiQue and 2WikiMultiHopQA, ExRole improves over single-agent search by 15.0/14.4 and 13.5/16.1 EM/F1 points, respectively. Against the strongest non-ExRole controls, the corresponding gains remain 11.5/11.6 and 7.7/9.7 points. Across both benchmarks, the controlled results consistently favor trajectory-induced role conditioning over role-free, manual, random, and shuffled alternatives. Role-Agent-Turn interventions further show that the induced roles capture transferable behavioral specialization beyond fixed agent identities or turn positions.
- Abstract（参考訳）: ロールは言語モデルエージェントを編成するための解釈可能なインターフェースを提供するが、ほとんどのマルチエージェントシステムは、学習行動やパラメータ更新から切り離された手書きのプロンプトラベルとして扱う。
我々は、有用な役割は実行可能な制御変数であるべきだと主張し、将来のユーティリティの振る舞い予測を要約し、その後のインタラクションをガイドし、その振る舞いに責任を持つトレーニング可能な能力を特定するべきである。
我々はExRoleを紹介した。これは先進的な役割のプロトタイプをプレフィックスローカルなチームトレースから学習し、それらを読みやすい命令とトークン整列ロールマーカーに分解し、任意にLoRAランキングスロットをターン整列クレジットでルーティングする。
MuSiQue と 2WikiMultiHopQA 全体で、ExRole はシングルエージェント検索を 15.0/14.4 と 13.5/16.1 の EM/F1 で改善している。
最強の非ExRoleコントロールに対して、対応するゲインは11.5/11.6と7.7/9.7ポイントである。
どちらのベンチマークでも、制御された結果は、ロールフリー、手動、ランダム、シャッフルされた代替よりも、トラジェクトリによって引き起こされるロール条件を常に好んでいる。
Role-Agent-Turn の介入により、誘導された役割は、固定されたエージェントのアイデンティティや回転位置を超えた、伝達可能な行動特化を捉えることが示される。
関連論文リスト
- Role Steering of Language Models for Social Simulations [1.593682229070013]
言語モデルエージェントから構築された社会シミュレーションは、エージェントがシミュレートされた集団に入る前にチェックできるロール条件の振る舞いを必要とする。
本稿では,ロールコンディショニングエージェントのためのアクティベーションステアリングスクリーニングワークフローを提案する。
このワークフローを、228のロールに依存しない275のインベントリ、GPT-4.1のロール参照、GPT-4.1のミニジャッジに適用する。
論文 参考訳（メタデータ） (2026-07-09T22:07:27Z) - The Why Behind the Action: Unveiling Internal Drivers via Agentic Attribution [63.61358761489141]
LLM(Large Language Model)ベースのエージェントは、カスタマーサービス、Webナビゲーション、ソフトウェアエンジニアリングといった現実世界のアプリケーションで広く使われている。
本稿では,タスク結果に関係なく,エージェントの動作を駆動する内部要因を識別する,テキスト汎用エージェント属性のための新しいフレームワークを提案する。
標準ツールの使用やメモリ誘起バイアスのような微妙な信頼性リスクなど、さまざまなエージェントシナリオでフレームワークを検証する。
論文 参考訳（メタデータ） (2026-01-21T15:22:21Z) - AdaMARP: An Adaptive Multi-Agent Interaction Framework for General Immersive Role-Playing [71.66362858228418]
LLMロールプレイングは、対話的な物語において任意のキャラクターを描写することを目的としているが、既存のシステムは没入性や適応性に制限されることが多い。
本稿では,[Thought], (Action), Environment>, and Speechをインターリーブする没入型メッセージ形式を特徴とする,適応型マルチエージェントロールプレイングフレームワークAdaMARPを提案する。
論文 参考訳（メタデータ） (2026-01-16T05:41:45Z) - MoRAgent: Parameter Efficient Agent Tuning with Mixture-of-Roles [25.198556596878362]
本稿では,エージェントタスクにおけるパラメータ効率細調整(PEFT)の3つの重要な戦略を紹介する。
より支配的なReason+Actionパラダイムに着想を得て、エージェントタスクに必要な機能を3つの異なる役割に分解する。
そこで我々は3つのLoRAグループからなるMixture-of-Roles(Mixture-of-Roles)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-25T15:02:07Z) - 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) - The Illusion of Role Separation: Hidden Shortcuts in LLM Role Learning (and How to Fix Them) [15.48684126686974]
微調整された大言語モデルは、しばしば役割識別のために2つのプロキシに依存することを示す。
モデル入力エンコーディングにおけるトークンワイドキューを調整し,役割境界をマークするエンフィン変分信号の強化を提案する。
論文 参考訳（メタデータ） (2025-05-01T16:06:16Z) - RoleMRC: A Fine-Grained Composite Benchmark for Role-Playing and Instruction-Following [31.80357046048002]
ロールプレイングは、大規模言語モデルにとって、多様な指示に従うことが重要である。
既存のロールプレイングデータセットは、主にロールスタイルと知識境界の制御に寄与する。
本稿では,RoleMRCという詳細なロールプレイングと命令フォローのベンチマークを紹介する。
論文 参考訳（メタデータ） (2025-02-17T03:08:37Z) - RNR: Teaching Large Language Models to Follow Roles and Rules [153.6596303205894]
既存のIFT命令から多様な役割やルールを生成する自動データ生成パイプラインであるモデルを提案する。
このデータは、複雑なシステムプロンプトに従うモデルをトレーニングするために使用することができる。
我々のフレームワークは、大規模言語モデルにおける役割と規則に従う能力を大幅に改善します。
論文 参考訳（メタデータ） (2024-09-10T06:07:32Z) - RoleLLM: Benchmarking, Eliciting, and Enhancing Role-Playing Abilities of Large Language Models [107.00832724504752]
大規模言語モデル(LLM)におけるロールプレイング能力をベンチマークし、評価し、拡張するフレームワークであるRoleLLMを紹介する。
Context-InstructとRoleGPTによって、168,093サンプルでロールプレイする最初の体系的できめ細かい文字レベルのベンチマークデータセットであるRoleBenchを作成します。
論文 参考訳（メタデータ） (2023-10-01T17:52:59Z) - About latent roles in forecasting players in team sports [47.066729480128856]
チームスポーツは、チームメイトと相手とのインタラクションに影響を与える重要な社会的要素を含んでいる。
RolForはロールベースのForecastingのための新しいエンドツーエンドモデルです。
論文 参考訳（メタデータ） (2023-04-17T13:33:23Z) - RODE: Learning Roles to Decompose Multi-Agent Tasks [69.56458960841165]
ロールベースの学習は、ロールを使って複雑なタスクを分解することで、スケーラブルなマルチエージェント学習を実現するという約束を持っている。
本稿では,まず,環境および他のエージェントに対する影響に応じて協調行動空間をクラスタリングすることで,制約された役割行動空間に分解することを提案する。
これらの進歩により、我々の手法は、挑戦的なStarCraft IIマイクロマネジメントベンチマークを構成する14シナリオのうち10シナリオにおいて、現在の最先端のMARLアルゴリズムよりも優れています。
論文 参考訳（メタデータ） (2020-10-04T09:20:59Z)
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。