論文の概要: Discovering Efficient and Explainable Communication Topologies for LLM-based Multi-Agent Systems via Causal Inference

• arxiv url: http://arxiv.org/abs/2608.12921v2
• Date: Fri, 14 Aug 2026 04:21:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 13:59:16.220865
• Title: Discovering Efficient and Explainable Communication Topologies for LLM-based Multi-Agent Systems via Causal Inference
• Title（参考訳）: 因果推論によるLLMに基づくマルチエージェントシステムのための効率的かつ説明可能な通信トポロジの発見
• Abstract要約: 通信トポロジの解釈可能な説明を提供するためのモデルに依存しないフレームワークであるE2-Explainerを提案する。 E2-Explainerは、コラボレーションの成功を維持する重要なコミュニケーションサブグラフを特定する。
• 参考スコア（独自算出の注目度）: 8.407040407298092
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The performance of large language model (LLM)-based multi-agent systems (MAS) largely depends on effective communication topologies. Existing topology generation methods, however, typically learn communication topologies through black-box optimization driven solely by task-level rewards. While effective, such optimization provides little insight into why particular communication edges are selected, making it difficult to identify the critical communication subgraphs responsible for successful collaboration. To address this limitation, we propose E2-Explainer, a model-agnostic framework for providing interpretable explanations of communication topologies produced by arbitrary topology generators. Specifically, we formulate topology explanation as a causal attribution problem that identifies compact communication subgraphs supported by edge-level evidence of task preservation. We obtain this evidence with a Granger-style objective that measures how masking each communication channel changes the task outcome and the stability of the final response. The resulting budgeted subgraphs are then distilled into an amortized explainer, enabling efficient post-hoc explanation without repeated edge-level evaluations at deployment. Extensive experiments on multiple reasoning and coding benchmarks demonstrate that E2-Explainer identifies critical communication subgraphs that preserve successful collaboration. These subgraphs can also be executed directly to prune redundant communication edges, substantially reducing communication costs while maintaining competitive task performance.
• Abstract（参考訳）: 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)の性能は,効果的な通信トポロジに依存している。 しかし、既存のトポロジ生成手法は、通常、タスクレベルの報酬のみによって駆動されるブラックボックス最適化を通じて通信トポロジを学習する。 このような最適化は効果的であるが、なぜ特定のコミュニケーションエッジが選択されるのかについての洞察はほとんど得られず、コラボレーションの成功に寄与する重要なコミュニケーションサブグラフを特定することは困難である。 任意のトポロジ生成器が生成する通信トポロジの解釈可能な説明を提供するためのモデルに依存しないフレームワークであるE2-Explainerを提案する。 具体的には,タスク保存のエッジレベル証拠によって支持されるコンパクトな通信サブグラフを識別する因果属性問題としてトポロジーの説明を定式化する。 この証拠は,各通信路のマスキングがタスク結果と最終応答の安定性をどう変えるかを測定する,グランガー方式の目的によって得られる。 得られた予算のサブグラフは、アモルト化説明器に蒸留され、デプロイ時に繰り返しエッジレベルの評価を行うことなく、効率的なポストホック説明を可能にする。 複数の推論および符号化ベンチマークに関する大規模な実験により、E2-Explainerはコラボレーションの成功を保った重要な通信サブグラフを識別することを示した。 これらのサブグラフは、冗長な通信エッジを直接実行して、競合するタスク性能を維持しながら、通信コストを大幅に削減することができる。

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)
• MOC: Multi-Order Communication in LLM-based Multi-Agent Systems [7.468643378553509]
  本稿では,マルチホップ依存を捕捉するためにエージェント間通信を再構築するマルチオーダ通信方式を提案する。 具体的には、構造化された多階エビデンスストリームを構築するための通信機構を形式化し、トークン制約のセマンティック・トポロジカルマージアルゴリズムを設計し、トークン制約内の意味的忠実度を最適化する。
  論文  参考訳（メタデータ） (2026-06-01T15:06:38Z)
• \textsc{MasFACT}: Continual Multi-Agent Topology Learning via Geometry-Aware Posterior Transfer [23.671332617828977]
  大規模言語モデル(LLM)を利用したマルチエージェントシステム(MAS)が,複雑な問題解決のための強力なパラダイムとして登場した。 既存のトポロジ生成手法は主に独立したタスクを最適化するが、実際のデプロイメントには進化するタスクのストリームが含まれる。 新しいタスクに適応することで、トポロジージェネレータを以前のタスクが必要とする通信構造から切り離すことができる。 textbftextscMasFACTは、過去のコラボレーション知識を転送可能なトポロジとして保存し再利用する幾何学的に認識された後継転送フレームワークである。
  論文  参考訳（メタデータ） (2026-05-17T09:58:58Z)
• GoAgent: Group-of-Agents Communication Topology Generation for LLM-based Multi-Agent Systems [55.12339141172908]
  GoAgentは、協調グループをMAS構築の原子単位として明示的に扱う通信トポロジ生成手法である。 6つのベンチマークの実験では、GoAgentの最先端のパフォーマンスを93.84%の平均精度で証明し、トークン消費を約17%削減した。
  論文  参考訳（メタデータ） (2026-03-20T06:21:32Z)
• Turning Semantics into Topology: LLM-Driven Attribute Augmentation for Collaborative Filtering [27.20519975467197]
  Topology-Augmented Graph Collaborative Filtering (TAGCF)は、意味的知識をトポロジ接続に変換する新しいフレームワークである。 この拡張構造における異種関係を効果的にモデル化するために、適応的関係重み付きグラフ畳み込みを提案する。
  論文  参考訳（メタデータ） (2026-02-24T17:01:47Z)
• Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
  我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。 条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。 各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。 実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T05:28:28Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• Understanding the Information Propagation Effects of Communication Topologies in LLM-based Multi-Agent Systems [58.95962217043371]
  提案手法は, エージェントの出力の正確さ, 誤動作の有無を, 異なる範囲の位相の下で伝達する因果関係を解析するための枠組みである。 実験により,有益な情報拡散を保ちながらエラーの伝播を効果的に抑制する,適度に疎らなトポロジが,通常最適なタスク性能を達成できることが判明した。 本稿では,高密度グラフとスパースグラフの両方から接続パターンを融合させることにより,エラー抑制と有益な情報伝達のバランスをとる新しいトポロジ設計手法 EIB-leanrner を提案する。
  論文  参考訳（メタデータ） (2025-05-29T11:21:48Z)
• Universally Expressive Communication in Multi-Agent Reinforcement Learning [6.086083595135936]
  与えられた通信プロトコルが任意のポリシーを表現できるかどうかという問題を考察する。 標準のGNNアプローチは表現能力に十分制限されているため,(1)一意なエージェントIDと(2)ランダムノイズによるエージェント観察の増強を検討する。 我々は,これらの手法が普遍的に表現力のあるコミュニケーションをいかに生み出すかの理論分析を行い,同一のエージェントに対する任意の行動群を対象とすることができることを証明した。
  論文  参考訳（メタデータ） (2022-06-14T11:16:33Z)
• Multi-agent Communication with Graph Information Bottleneck under Limited Bandwidth (a position paper) [92.11330289225981]
  多くの実世界のシナリオでは、通信は高価であり、マルチエージェントシステムの帯域幅には一定の制約がある。 通信資源を占有する冗長なメッセージは、情報的メッセージの送信をブロックし、パフォーマンスを損なう。 本稿では,通信グラフ内の構造情報とノード情報を効果的に圧縮し,帯域幅に制約のある設定に対処する,新しいマルチエージェント通信モジュールCommGIBを提案する。
  論文  参考訳（メタデータ） (2021-12-20T07:53:44Z)
• Learning Structured Communication for Multi-agent Reinforcement Learning [104.64584573546524]
  本研究では,マルチエージェント強化学習(MARL)環境下での大規模マルチエージェント通信機構について検討する。 本稿では、より柔軟で効率的な通信トポロジを用いて、LSC(Learning Structured Communication)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-11T07:19:45Z)

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。