論文の概要: Multi-Agent Scheduling with LLM-Assisted Contract Net Negotiation for Stream Processing in Mobile Edge Computing

• arxiv url: http://arxiv.org/abs/2608.12371v1
• Date: Sun, 19 Jul 2026 13:06:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 01:32:04.598262
• Title: Multi-Agent Scheduling with LLM-Assisted Contract Net Negotiation for Stream Processing in Mobile Edge Computing
• Title（参考訳）: モバイルエッジコンピューティングにおけるストリーム処理のためのLLM支援契約ネットネゴシエーションによるマルチエージェントスケジューリング
• Authors: Sabeur Lajili, Zaki Brahmi,
• Abstract要約: ストリームクラスタシステムは、異質なモバイルエッジクラウドインフラストラクチャで運用されるようになっている。 本稿では,emphLLM-MR-CNPを主役とするemphMAS-DecStreamを提案する。 MAS-DecStreamは遅延違反を3%に減らし、リソース過剰を排除し、20エージェントの競合解決率0.91に達し、マルチラウンドルールベースのベースラインよりも最大22%改善する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stream-processing systems increasingly operate across heterogeneous mobile edge--cloud infrastructures, where workload volatility, resource contention, and stringent quality-of-service (QoS) requirements complicate decentralized scheduling. This paper proposes \emph{MAS-DecStream}, whose main contribution is \emph{LLM-MR-CNP}: an extension of the classical Contract Net Protocol with semantic CFP formulation, progressive context disclosure, multi-round proposal revision, negotiation memory, and deterministic validation. Edge-cluster agents refine natural-language offloading proposals from local observations, predicted resource states, and qualitative runtime context, while hard resource and QoS constraints remain deterministic. Experiments derived from the Alibaba ASI Trace evaluate the extension at three levels: single- versus multi-round CNP, rule-based versus LLM-assisted refinement, and fixed-model single- versus multi-round negotiation. Under the evaluated configurations, MAS-DecStream reduces latency violations to 3\%, eliminates resource overcommitment, reaches a conflict-resolution rate of 0.91 with 20 agents, and improves utility by up to 22\% over the multi-round rule-based baseline. A separate 25-case evaluation shows model- and prompt-dependent accuracy--cost trade-offs. The results provide initial evidence that multi-round CNP refinement is the principal protocol-level gain, with LLM assistance adding value for qualitative and uncertain runtime context.
• Abstract（参考訳）: ストリーム処理システムは、ワークロードのボラティリティ、リソースの競合、厳格なQoS(Quality-of-Service)要求が分散スケジューリングを複雑にする、異種モバイルエッジ-クラウドインフラストラクチャでますます運用されている。 本稿では, セマンティックCFPの定式化, プログレッシブコンテキスト開示, マルチラウンド提案修正, 交渉メモリ, 決定論的検証による, 従来の契約ネットプロトコルの拡張である \emph{LLM-MR-CNP} を主貢献とする \emph{MAS-DecStream} を提案する。 エッジクラスタエージェントは、ローカルな観測、予測リソース状態、定性的ランタイムコンテキストから自然言語のオフロード提案を洗練しますが、ハードリソースとQoS制約は決定論的です。 Alibaba ASI Traceから得られた実験は、単一対マルチラウンドCNP、ルールベース対LSM補助リファインメント、固定モデル対マルチラウンドネゴシエーションの3つのレベルで拡張を評価する。 評価された構成では、MAS-DecStreamはレイテンシ違反を3倍に減らし、リソース過剰を排除し、20エージェントの競合解決率0.91に達した。 別々の25ケース評価では、モデルとプロンプトに依存した精度-コストトレードオフが示される。 その結果,マルチラウンドCNP改善が主要なプロトコルレベル向上であり,LCMアシストが質的かつ不確実な実行コンテキストに付加価値を与えるという,初期の証拠が得られた。

関連論文リスト

• Context Pruning for Coding Agents via Multi-Rubric Latent Reasoning [14.508049757681862]
  LLMベースのコーディングエージェントは、トークンの予算の大部分をリポジトリファイルを読むのに費やしている。 この定式化がモデリングのボトルネックを生み出すことを示す。 コード関連性を2つの解釈可能な品質次元に分解する構造化プルーニングフレームワークであるLaMRを提案する。
  論文  参考訳（メタデータ） (2026-05-14T18:30:10Z)
• M$^2$FedAQI: Multimodal Federated Learning for Air Quality Prediction on Heterogeneous Edge Devices [2.2121027148817314]
  M$2$FedAQIは、異種エッジデバイス間での分散空気品質指標(AQI)予測のための軽量なマルチモーダルフェデレーションフレームワークである。 M$2$FedAQIは、既存のアプローチを一貫して上回り、精度が最大11.0%、AUCが3.53%、F1スコアが12.2%、R2$が18.0%向上した。 TLSベースの認証は、セキュアなクライアント参加を保証し、FL通信チャネルを不正なサードパーティアクセスから保護するために組み込まれている。
  論文  参考訳（メタデータ） (2026-05-10T20:21:49Z)
• Joint Optimization of Trajectory Control, Resource Allocation, and Task Offloading for Multi-UAV-Assisted IoV [42.14161392443562]
  本稿では,多目的航空車両(UAV)共同基地局支援インターネット・オブ・ビークルズ(IoV)タスクオフロードシステムについて検討する。 システム遅延を最小限に抑えるために,新しいマルチエージェント強化学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2026-05-06T02:59:18Z)
• Reliable LLM-Based Edge-Cloud-Expert Cascades for Telecom Knowledge Systems [54.916243942641444]
  大規模言語モデル(LLM)は、通信などの分野において、自動化の鍵となる存在として浮上している。 本研究では,問合せパイプラインによる意思決定を支援する,エッジクラウドに精通したLLMベースの知識システムについて検討する。
  論文  参考訳（メタデータ） (2025-12-23T03:10:09Z)
• CoT-Saliency: Unified Chain-of-Thought Reasoning for Heterogeneous Saliency Tasks [96.64597365827046]
  本稿では,3つの運用上不均一なサリエンシタスクを共同で処理する,最初の統合フレームワークを提案する。 タスクの不均一性を橋渡しする視覚言語モデル(VLM)において、チェーン・オブ・ソート(CoT)推論プロセスを導入する。 我々は,全タスクにまたがる特別なSOTA手法と強力なクローズドソースVLMの整合性を示す。
  論文  参考訳（メタデータ） (2025-11-01T04:37:01Z)
• MMR1: Enhancing Multimodal Reasoning with Variance-Aware Sampling and Open Resources [113.33902847941941]
  VAS (Variance-Aware Sampling) は、Variance Promotion Score (VPS) によって導かれるデータ選択戦略である。 我々は、1.6MのCoT冷間開始データと15kのRLQAペアを含む大規模かつ慎重にキュレートされたリソースをリリースする。 数学的推論ベンチマークによる実験では、キュレートされたデータと提案されたVASの有効性が示されている。
  論文  参考訳（メタデータ） (2025-09-25T14:58:29Z)
• Federated In-Context Learning: Iterative Refinement for Improved Answer Quality [62.72381208029899]
  In-context Learning (ICL) では、入力に提供される例を活用することで、パラメータを変更することなく、言語モデルで応答を生成することができる。 我々は,反復的協調プロセスを通じてICLを強化する汎用フレームワークであるFederated In-Context Learning (Fed-ICL)を提案する。 Fed-ICLは、クライアントと中央サーバ間のマルチラウンドインタラクションを活用することで、応答を徐々に洗練し、モデルパラメータを送信することなく、応答品質を向上させる。
  論文  参考訳（メタデータ） (2025-06-09T05:33:28Z)
• QLLM: Do We Really Need a Mixing Network for Credit Assignment in Multi-Agent Reinforcement Learning? [6.0636611835869205]
  マルチエージェント強化学習(MARL)におけるクレジットの割り当ては依然として根本的な課題である。 大規模言語モデル(LLM)を用いた信用代入関数の自動構築を容易にする新しいアルゴリズムである textbfQLLM を提案する。 いくつかの標準MARLベンチマークで実施された大規模な実験は、提案手法が既存の最先端のベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-04-17T14:07:11Z)
• VinePPO: Refining Credit Assignment in RL Training of LLMs [66.80143024475635]
  我々は,言語環境の柔軟性を利用してモンテカルロをベースとした推定値を計算する,簡単なアプローチであるVinePPOを提案する。 本手法は,MATHおよびGSM8Kデータセット間のPPOおよび他のベースラインをウォールクロック時間以下で連続的に上回る。
  論文  参考訳（メタデータ） (2024-10-02T15:49:30Z)
• Client Orchestration and Cost-Efficient Joint Optimization for NOMA-Enabled Hierarchical Federated Learning [55.49099125128281]
  半同期クラウドモデルアグリゲーションの下で非直交多重アクセス(NOMA)を実現するHFLシステムを提案する。 提案手法は,HFLの性能改善と総コスト削減に関するベンチマークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-03T13:34:44Z)

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。