論文の概要: Scaling Multi-Agent Systems with Prospect-State Propagation

• arxiv url: http://arxiv.org/abs/2609.08033v1
• Date: Mon, 07 Sep 2026 22:30:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 19:45:23.990761
• Title: Scaling Multi-Agent Systems with Prospect-State Propagation
• Title（参考訳）: 先進的プロパゲーションによるマルチエージェントシステムのスケーリング
• Authors: Zhimei Chen, Mu Chen, Fakhri Karray,
• Abstract要約: シミュレーション中にエージェントの不均一性が徐々に減少する現象を示す。 プロスペクト理論に触発されて、PspMASは各エージェントのミクロ状態をコンパクトなプロスペクト状態と表現力のあるセマンティック状態に分離する。 これら2つのコンポーネントは相補的に動作し、スケーラブルなLLMベースのマルチエージェントシミュレーションソリューションを提供する。
• 参考スコア（独自算出の注目度）: 8.564207831867272
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current LLM-based multi-agent systems (MAS) periodically compress intermediate states to reduce inference-time token consumption, thereby attempting to incorporate more agents. However, naive scaling strategies face challenges. For example, in economic simulations, large-scale MAS typically discard semantically rich economic states, i.e., agent behavioral trajectories, which are key drivers of macroeconomic fluctuations. In this paper, we reveal a phenomenon in which agent heterogeneity gradually decreases during simulation, and propose Prospect-State Propagation for Multi-Agent Systems (PspMAS). Inspired by prospect theory, PspMAS decouples each agent's micro state into a compact Prospect State and an expressive Semantic State. The former records psychological traces through a lightweight, parallelizable propagator and continuously injects heterogeneity into the system. The latter leverages the strong perception, reasoning, planning, and decision-making abilities of LLMs. These two components work complementarily, providing a scalable LLM-based multi-agent simulation solution.
• Abstract（参考訳）: 現在のLLMベースのマルチエージェントシステム(MAS)は、中間状態を定期的に圧縮し、推論時のトークン消費を減らすことで、より多くのエージェントを組み込もうとしている。 しかし、単純なスケーリング戦略は課題に直面します。 例えば、経済シミュレーションでは、大規模なMASは一般的に意味的に豊かな経済状態、すなわちマクロ経済変動の主要な要因であるエージェントの行動軌跡を捨てる。 本稿では,エージェントの不均一性がシミュレーション中に徐々に減少する現象を明らかにし,PspMAS(Prospect-State Propagation for Multi-Agent Systems)を提案する。 プロスペクト理論に触発されて、PspMASは各エージェントのミクロ状態をコンパクトなプロスペクト状態と表現力のあるセマンティック状態に分離する。 前者は、軽量で並列化可能なプロパゲータを通して心理学的トレースを記録し、システムに不均一性を連続的に注入する。 後者はLLMの強い認識、推論、計画、意思決定能力を活用する。 これら2つのコンポーネントは相補的に動作し、スケーラブルなLLMベースのマルチエージェントシミュレーションソリューションを提供する。

関連論文リスト

• Poor Man's Agentic Modeling: Simulating Large LLM-Agent Societies on a Laptop [0.0]
  数百のエージェントを用いた大規模言語モデル社会のシミュレーションを作成する。 我々は、知覚と記憶を有効理論にマッピングし、サロゲート誤差の予測$N$-trendを予測する。
  論文  参考訳（メタデータ） (2026-07-19T08:44:38Z)
• Position: AI Agents Are Not (Yet) a Panacea for Social Simulation [62.891898598784415]
  大規模言語モデル(LLM)の最近の進歩は、社会シミュレーションにLLM統合エージェントを使うことへの関心が高まっている。 このポジションペーパーは、LSMをベースとしたエージェントは社会シミュレーションのパナセアではないと主張している。
  論文  参考訳（メタデータ） (2026-02-19T06:35:07Z)
• PhysicsAgentABM: Physics-Guided Generative Agent-Based Modeling [47.029742241618635]
  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では,表現的エージェント推論が可能であるが,拡張性は高く,時間段階整合状態遷移シミュレーションではキャリブレーションが不十分である。 本研究では,推論を行動コヒーレントなエージェントクラスタにシフトさせる物理AgentABMを提案する。 公衆衛生、ファイナンス、社会科学における実験は、機械的、神経的、LLMベースラインに対する事象時の精度と校正において一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-05T18:59:01Z)
• LMAgent: A Large-scale Multimodal Agents Society for Multi-user Simulation [66.52371505566815]
  大規模言語モデル(LLM)ベースのAIエージェントは、人間のような知性を達成するために、大きな進歩を遂げた。 LMAgentは,マルチモーダル LLM に基づく大規模かつマルチモーダルなエージェント社会である。 LMAgentでは、友人とチャットする以外に、エージェントは自動で商品を閲覧、購入、レビューしたり、ライブストリーミングのeコマースを行うこともできる。
  論文  参考訳（メタデータ） (2024-12-12T12:47:09Z)
• Learning Individual Policies in Large Multi-agent Systems through Local Variance Minimization [8.140037969280716]
  多くのエージェントを持つマルチエージェントシステムでは、各エージェントの他のエージェントの価値への貢献は最小限である。 エージェントの値の分散を最小限に抑える新しいマルチエージェント強化学習(MARL)機構を提案する。 提案手法は, タクシー運転手の収益のばらつきを低減しつつ, 先行するアプローチよりも高いジョイント収益を提供できることを示す。
  論文  参考訳（メタデータ） (2022-12-27T06:59:00Z)
• ERMAS: Becoming Robust to Reward Function Sim-to-Real Gaps in Multi-Agent Simulations [110.72725220033983]
  Epsilon-Robust Multi-Agent Simulation (ERMAS)は、このようなマルチエージェントのsim-to-realギャップに対して堅牢なAIポリシーを学ぶためのフレームワークである。 ERMASは、エージェントリスク回避の変化に対して堅牢な税政策を学び、複雑な時間シミュレーションで最大15%社会福祉を改善する。 特に、ERMASは、エージェントリスク回避の変化に対して堅牢な税制政策を学び、複雑な時間シミュレーションにおいて、社会福祉を最大15%改善する。
  論文  参考訳（メタデータ） (2021-06-10T04:32:20Z)

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。