論文の概要: OpenMAS-GCom. A Diagnostic Benchmark for Graph-enhanced Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2609.21527v1
• Date: Fri, 18 Sep 2026 09:17:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.94499
• Title: OpenMAS-GCom. A Diagnostic Benchmark for Graph-enhanced Multi-Agent Systems
• Title（参考訳）: OpenMAS-GCom. グラフ強化マルチエージェントシステムの診断ベンチマーク
• Abstract要約: グラフ強化マルチエージェントシステムは、コミュニケーショングラフとロール割り当てを通じて、大きな言語モデルエージェントを協調する。 OpenMAS-GComは、制御された介入を通じてこれらのコンポーネントがG-MASパフォーマンスに与える影響を診断するためのベンチマークである。 通信エッジをリワイヤし、スペシャリストや批評家のエージェントを削除し、中間メッセージを不正なコンテンツに置き換え、実行中にワーカーを無効にします。
• 参考スコア（独自算出の注目度）: 15.84330953506287
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Graph-enhanced multi-agent systems (G-MAS) coordinate large language model agents through communication graphs and role assignments, which determine how agents exchange information and divide responsibilities. However, final-score comparisons across systems combine differences in models, communication patterns, roles, and computation costs, making performance differences difficult to attribute to specific communication structures, role assignments, and information flows. To address this evaluation attribution problem, we introduce OpenMAS-GCom, a benchmark for diagnosing how these components affect G-MAS performance through controlled interventions. We represent systems through collaboration units, communication links, shared intermediate information, and execution rules. OpenMAS-GCom compares original systems with versions modified by changing one component while keeping tasks, models, prompts, and budget limits fixed. We rewire communication edges, remove specialist or critic agents, replace intermediate messages with incorrect content, and disable workers during execution. The benchmark evaluates 17 single-agent, ordinary multi-agent, and graph-enhanced configurations on 29 datasets across six domains. We add 400 G-MAS-Complex tasks requiring agents to combine information from multiple documents, resolve conflicting records, and return specified values with source identifiers. Experiments show larger mean losses after specialist removal than after critic removal, different performance degradation under incorrect messages and worker failures despite similar original scores, and different configurations achieving the highest accuracy and accuracy per token on G-MAS-Complex.
• Abstract（参考訳）: グラフ強化マルチエージェントシステム(G-MAS)は、エージェントがどのように情報を交換し、責任を分割するかを決定するコミュニケーショングラフとロール割り当てを通じて、大きな言語モデルエージェントをコーディネートする。 しかし、システム間の最終スコア比較では、モデル、通信パターン、役割、計算コストの違いが組み合わされ、特定の通信構造、役割割り当て、情報フローに起因する性能差が困難になる。 この評価属性問題に対処するために、制御介入によるG-MASパフォーマンスへの影響を診断するためのベンチマークであるOpenMAS-GComを紹介する。 我々は、コラボレーションユニット、コミュニケーションリンク、共有中間情報、実行ルールを通じてシステムを表現する。 OpenMAS-GComは、オリジナルのシステムと、1つのコンポーネントを変更して修正したバージョンを比較し、タスク、モデル、プロンプト、予算制限を固定している。 通信エッジをリワイヤし、スペシャリストや批評家のエージェントを削除し、中間メッセージを不正なコンテンツに置き換え、実行中にワーカーを無効にします。 このベンチマークでは、6つのドメインにわたる29のデータセットに対して、17のシングルエージェント、通常のマルチエージェント、グラフ強化構成を評価している。 我々は400のG-MAS-Complexタスクを追加し、エージェントは複数のドキュメントの情報を組み合わせて、競合するレコードを解決し、特定の値をソース識別子で返さなければならない。 G-MAS-コンプレックスのトークン当たりの精度と精度は異なるが, 専門家除去後の平均損失は, 批判除去後の平均損失よりも大きい。

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)
• Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs [52.26652574704317]
  大規模言語モデル(LLM)はますますチームにデプロイされているが、既存のコーディネーションアプローチは2つの極端な部分を占めることが多い。 本稿では,Language Agent Teams for Task Evolution (LATTE)を紹介した。
  論文  参考訳（メタデータ） (2026-05-07T14:19:17Z)
• 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)
• When Only the Final Text Survives: Implicit Execution Tracing for Multi-Agent Attribution [10.973058523304042]
  IET(Implicit Execution Tracing)は、メタデータに依存しないフレームワークで、生成したテキストから直接トークンレベルの属性を作成できる。 生成中、エージェント固有のキー付き信号がトークン分布に埋め込まれ、秘密鍵でのみ検出可能な自己記述実行トレースに変換される。 検出時にエージェントハンドオーバポイントを特定し、インタラクショングラフを再構築する。
  論文  参考訳（メタデータ） (2026-03-18T07:34:51Z)
• MCP-Orchestrated Multi-Agent System for Automated Disinformation Detection [84.75972919995398]
  本稿では,関係抽出を用いてニュース記事の偽情報を検出するマルチエージェントシステムを提案する。 提案したエージェントAIシステムは、(i)機械学習エージェント(ロジスティック回帰)、(ii)Wikipedia知識チェックエージェント、(iv)Webスクラッドデータアナライザの4つのエージェントを組み合わせる。 その結果、マルチエージェントアンサンブルはF1スコア0.964で95.3%の精度を達成し、個々のエージェントや従来のアプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-08-13T19:14:48Z)
• Visual Document Understanding and Question Answering: A Multi-Agent Collaboration Framework with Test-Time Scaling [83.78874399606379]
  テスト時間スケーリングを備えたマルチエージェント協調フレームワークであるMACTを提案する。 4つの異なる小規模エージェントから構成され、明確に定義された役割と効果的なコラボレーションがある。 一般および数学的タスクの能力を犠牲にすることなく、より小さなパラメータスケールで優れた性能を示す。
  論文  参考訳（メタデータ） (2025-08-05T12:52:09Z)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)

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。