論文の概要: BusMA: A Bus Communication Substrate for Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2609.15054v1
• Date: Mon, 14 Sep 2026 05:19:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.084046
• Title: BusMA: A Bus Communication Substrate for Multi-Agent Systems
• Title（参考訳）: BusMA:マルチエージェントシステムのためのバス通信基盤
• Abstract要約: マルチエージェント(MA)システムは、計画、ツールの使用、および複数の情報源からの証拠の合成を必要とする複雑なタスクを解決するのに効果的である。 既存のシステムは一般にHMW(Hierarchical Manager-Worker)またはルータベースのメッセージパッシング(RMP)構造を通信プロトコルとして採用している。 本稿では,任意のエージェントが共有チャネルを介して他のエージェントに対処できる通信フレームワークであるBusMAを提案する。
• 参考スコア（独自算出の注目度）: 35.74603358195608
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-Agent (MA) systems are effective at solving complex tasks that demand planning, tool use, and the synthesis of evidence from multiple sources. Existing systems typically adopt Hierarchical Manager-Worker (HMW) or Router-based Message Passing (RMP) structures as their communication protocol. However, these designs restrict agent autonomy: Worker agents cannot directly consult specific "peers", and misrouted messages can propagate errors. Inspired by bus architectures in computer systems, we propose BusMA, a communication framework that allows any agent to address other agents through a shared channel, i.e., the Bus. It consists of agent registration, message routing, and shared memory management components. Worker agents, each equipped with tools, have their own local memory and can reason, act (tool usage), and communicate by posting shared messages with specific intents. We introduce four intents: discussion, challenge, guidance, and request for explanation, which support fine-grained communication among agents. A Chair agent monitors the shared memory to coordinate interactions and facilitate convergence among Workers. To evaluate the effectiveness of BusMA, we conduct extensive experiments with two frontier LLMs across 13 tasks spanning visual reasoning, mathematical reasoning, and knowledge retrieval demonstrate that BusMA consistently outperforms state-of-the-art HMW and RMP methods.
• Abstract（参考訳）: マルチエージェント(MA)システムは、計画、ツールの使用、および複数の情報源からの証拠の合成を必要とする複雑なタスクを解決するのに効果的である。 既存のシステムは一般にHMW(Hierarchical Manager-Worker)またはルータベースのメッセージパッシング(RMP)構造を通信プロトコルとして採用している。 しかし、これらの設計はエージェントの自律性を制限する: 労働者エージェントは特定の"ピア"を直接参照することはできず、誤ったメッセージはエラーを伝播する可能性がある。 コンピュータシステムにおけるバスアーキテクチャに着想を得て,任意のエージェントが共有チャネル,すなわちバスを介して他のエージェントに対処できる通信フレームワークであるBusMAを提案する。 エージェント登録、メッセージルーティング、共有メモリ管理コンポーネントで構成される。 それぞれツールを備えた労働者エージェントは、独自のローカルメモリを持ち、推論、行動(ツールの使用)、特定の意図を持った共有メッセージの投稿によるコミュニケーションを行うことができる。 我々は,エージェント間のきめ細かいコミュニケーションを支援する,議論,挑戦,指導,説明要求の4つの意図を紹介する。 Chairエージェントは共有メモリを監視してインタラクションを調整し、Workers間の収束を促進する。 BusMAの有効性を評価するために、視覚的推論、数学的推論、知識検索を含む13のタスクにまたがる2つのフロンティアLLMを用いて広範囲な実験を行い、BusMAが常に最先端のHMW法とRMP法より優れていることを示した。

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)
• MA-CoNav: A Master-Slave Multi-Agent Framework with Hierarchical Collaboration and Dual-Level Reflection for Long-Horizon Embodied VLN [1.7508558850131373]
  Vision-Language Navigation (VLN) は、ロボットが不慣れな環境で長距離ナビゲーションを行う能力を高めることを目的としている。 本稿では,マルチエージェント協調ナビゲーションフレームワークMA-CoNavを提案する。
  論文  参考訳（メタデータ） (2026-03-03T14:16:02Z)
• 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)
• AgentMaster: A Multi-Agent Conversational Framework Using A2A and MCP Protocols for Multimodal Information Retrieval and Analysis [0.0]
  本稿では,A2AとMPPを自己実装した新しいモジュール型マルチプロトコールMASフレームワークであるAgentMasterの試験的検討を行う。 このシステムは、先行技術知識のない自然言語インタラクションをサポートし、情報検索、質問応答、画像解析を含むタスクに対するマルチモーダルクエリに応答する。 全体として、提案するフレームワークは、MASを利用したドメイン固有、協調的、スケーラブルな対話型AIの可能性に寄与する。
  論文  参考訳（メタデータ） (2025-07-08T03:34:26Z)
• AnyMAC: Cascading Flexible Multi-Agent Collaboration via Next-Agent Prediction [77.62279834617475]
  本稿では,グラフ構造ではなくシーケンシャル構造を用いて,マルチエージェント協調を再考するフレームワークを提案する。 提案手法は,(1)各ステップで最も適したエージェントロールを選択するNext-Agent Predictionと,(2)各エージェントが前ステップから関連する情報にアクセスできるようにするNext-Context Selectionの2つの重要な方向に焦点を当てる。
  論文  参考訳（メタデータ） (2025-06-21T18:34:43Z)
• Interactive Debugging and Steering of Multi-Agent AI Systems [25.84430269055025]
  LLMを搭載したAIエージェントの完全な自律チームが登場し、ユーザのための複雑なタスクを共同で実行している。 これらのAIエージェントチームを構築してデバッグしようとする場合、開発者はどのような課題に直面しますか? 5人のAIエージェント開発者とのフォーマティブなインタビューでは、エラーをローカライズするための長いエージェント会話のレビューの困難、インタラクティブデバッグのための現在のツールサポートの欠如、エージェント設定を反復するためのツールサポートの必要性など、主要な課題が明らかになった。 これらのニーズに基づいて、対話型マルチエージェントデバッグツール AG Debugger を開発し、メッセージの閲覧と送信のためのUI、前のエージェントメッセージの編集とリセット機能、概要を視覚化した。
  論文  参考訳（メタデータ） (2025-03-03T21:42:54Z)
• PC-Agent: A Hierarchical Multi-Agent Collaboration Framework for Complex Task Automation on PC [98.82146219495792]
  本稿では,PC-Agentという階層型エージェントフレームワークを提案する。 認識の観点からは,現在のMLLMのスクリーンショットコンテンツに対する認識能力の不十分さを克服するために,アクティブ知覚モジュール(APM)を考案する。 意思決定の観点から、複雑なユーザ命令や相互依存サブタスクをより効果的に扱うために、階層的なマルチエージェント協調アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-02-20T05:41:55Z)
• Multi-Agent Reinforcement Learning Based on Representational Communication for Large-Scale Traffic Signal Control [13.844458247041711]
  交通信号制御(TSC)は、インテリジェント交通システムにおいて難しい問題である。 大規模TSCのための通信ベースのMARLフレームワークを提案する。 私たちのフレームワークでは、各エージェントがメッセージのどの部分を誰に"送信"するかを指示する通信ポリシーを学習することができます。
  論文  参考訳（メタデータ） (2023-10-03T21:06:51Z)
• Scalable Communication for Multi-Agent Reinforcement Learning via Transformer-Based Email Mechanism [9.607941773452925]
  コミュニケーションはマルチエージェント強化学習(MARL)における協調性を著しく向上させる 本稿では,部分的に観測されたタスクに対するMARL通信のスケーラビリティ問題に対処するための新しいフレームワークである Transformer-based Email Mechanism (TEM) を提案する。
  論文  参考訳（メタデータ） (2023-01-05T05:34:30Z)
• Coordinating Policies Among Multiple Agents via an Intelligent Communication Channel [81.39444892747512]
  MARL(Multi-Agent Reinforcement Learning)では、エージェントが直接通信できる特別なチャンネルがしばしば導入される。 本稿では,エージェントの集団的性能を向上させるために,エージェントが提供した信号の伝達と解釈を学習する,インテリジェントなファシリテータを通じてエージェントがコミュニケーションする手法を提案する。
  論文  参考訳（メタデータ） (2022-05-21T14:11:33Z)

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。