論文の概要: When Evidence Shapes Collaboration: Knowledge-Conditioned Topology Generation for Multi-Agent Systems
- arxiv url: http://arxiv.org/abs/2608.27984v2
- Date: Wed, 02 Sep 2026 10:56:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:17.380486
- Title: When Evidence Shapes Collaboration: Knowledge-Conditioned Topology Generation for Multi-Agent Systems
- Title（参考訳）: Evidence Shapes Collaboration:Multi-Agent Systemsのための知識記述型トポロジー生成
- Abstract要約: K-GAT(Knowledge-Guided Agent Topology Generator)は,知識条件構造学習問題として協調トポロジ設計を定式化する神経シンボルフレームワークである。
知識集約型ベンチマークの実験は、K-GATの有効性と有効性を示す。
- 参考スコア（独自算出の注目度）: 3.276908575835893
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-Agent Systems (MAS) have recently moved from static workflows toward dynamically generated collaboration topologies. However, existing topology generation methods rely primarily on the parametric knowledge of large language models, with external search or retrieval used only as a reactive tool rather than an explicit determinant of collaboration structure. This leads to structure-knowledge misalignment, where systems exhibit redundant interactions or insufficient verification in knowledge-intensive tasks. We propose K-GAT (Knowledge-Guided Agent Topology Generator), a neuro-symbolic framework that formulates collaboration topology design as a knowledge-conditioned structure learning problem, integrating external evidence directly into autoregressive graph generation. Extensive experiments on knowledge-intensive benchmarks demonstrate K-GAT's efficiency and effectiveness: notably on the expert-level GPQA dataset, K-GAT outperforms the LLM-Debate baseline by a substantial margin of +15.7% in accuracy, while consuming less than half the computational tokens.
- Abstract（参考訳）: マルチエージェントシステム(MAS)は先頃、静的ワークフローから動的に生成されたコラボレーショントポロジへと移行した。
しかし、既存のトポロジ生成手法は主に大規模言語モデルのパラメトリック知識に依存しており、外部探索や検索は協調構造の明確な決定式ではなく、リアクティブツールとしてのみ使用される。
これは、システムが冗長な相互作用を示したり、知識集約的なタスクで不十分な検証を行う構造知識の誤調整につながる。
K-GAT(Knowledge-Guided Agent Topology Generator)は,協調トポロジ設計を知識条件付き構造学習問題として定式化し,外部証拠を直接自己回帰グラフ生成に統合する,ニューロシンボリックなフレームワークである。
特に専門家レベルのGPQAデータセットでは、K-GATはLLM-Debateベースラインを+15.7%の精度で上回り、計算トークンの半分未満を消費する。
関連論文リスト
- Knowledge-Centric Agents for Workflow Generation [73.4340391112949]
複数の抽象化レベルにわたる知識を逆転させ、注入し、推論することを学ぶ知識中心のフレームワークを提案する。
提案手法は,ノードの多様性,コヒーレントな構造,既存システムよりも高い実行成功率で生成する。
論文 参考訳（メタデータ） (2026-07-17T11:03:01Z) - Coupled Hierarchical Search over Topology and Execution for Agentic Workflow Synthesis [64.2820121997882]
エージェントワークフロー設計を自動化する,トレーニング不要でテスト時の階層型検索アーキテクチャであるHierFlowを紹介した。
HierFlowはインテリジェントなゲーティングモジュールを通じて効率を最大化し、コンテキスト要求に基づいて実行レベル検索を選択的にトリガーする。
質問応答、数学的推論、コード生成ベンチマークにわたる包括的なテストは、HierFlowが一貫して強力なベースラインを上回っていることを確認する。
論文 参考訳（メタデータ） (2026-05-20T01:56:11Z) - Automatic Ontology Construction Using LLMs as an External Layer of Memory, Verification, and Planning for Hybrid Intelligent Systems [0.0]
本稿では,大規模言語モデル(LLM)を外部オントロジメモリ層で拡張したインテリジェントシステムのためのハイブリッドアーキテクチャを提案する。
提案手法は,RDF/OWL表現を用いた構造化知識グラフの構築と維持を行う。
論文 参考訳（メタデータ） (2026-04-22T17:19:43Z) - Multi-hop Reasoning via Early Knowledge Alignment [68.28168992785896]
アーリー・ナレッジ・アライメント(EKA)は、大規模言語モデルと文脈的に関連づけられた知識を整合させることを目的としている。
EKAは検索精度を大幅に改善し、カスケードエラーを低減し、性能と効率を向上する。
EKAは、大規模モデルにシームレスにスケールする、多目的でトレーニング不要な推論戦略として有効である。
論文 参考訳（メタデータ） (2025-12-23T08:14:44Z) - SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。
実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。
回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
論文 参考訳（メタデータ） (2025-11-29T09:18:39Z) - Ontology Learning and Knowledge Graph Construction: A Comparison of Approaches and Their Impact on RAG Performance [0.0]
本研究では,異なる知識グラフ(KG)構築戦略がRAG性能に与える影響について検討する。
オントロジー誘導KGのチャンク情報は、最先端のフレームワークと競合するパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-11-08T12:38:45Z) - Ontology-Enhanced Knowledge Graph Completion using Large Language Models [14.954155147351623]
大言語モデル(LLM)は知識グラフ補完(KGC)において広く採用されている。
OL-KGCを用いた拡張KGC法を提案する。
まず、神経知覚機構を利用して、構造情報をテキスト空間に効果的に埋め込む。
論文 参考訳（メタデータ） (2025-07-28T09:00:48Z) - 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) - GIVE: Structured Reasoning of Large Language Models with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを融合して、最小の外部入力で正確な推論を改善する新しい推論手法である。
GIVE は LLM エージェントをガイドして,最も関連する専門家データ (observe) を選択し,クエリ固有の発散思考 (reflect) に従事し,その情報を合成して最終的な出力 (speak) を生成する。
論文 参考訳（メタデータ） (2024-10-11T03:05:06Z) - FactorLLM: Factorizing Knowledge via Mixture of Experts for Large Language Models [50.331708897857574]
本稿では,高度に訓練された高密度FFNを余分なサブネットワークに分解する新しいアプローチであるFacterLLMを紹介する。
FactorLLMは、最大85%のモデル性能を確保しながら、推論速度を30%以上増加させながら、ソースモデルに匹敵するパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-08-15T16:45:16Z)
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。