論文の概要: Do We Need Complex Topology Control? Distinct-Peer Random Routing Improves Cost-Efficiency in Sparse Multi-Agent Debate

• arxiv url: http://arxiv.org/abs/2609.27150v1
• Date: Tue, 22 Sep 2026 23:25:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.801687
• Title: Do We Need Complex Topology Control? Distinct-Peer Random Routing Improves Cost-Efficiency in Sparse Multi-Agent Debate
• Title（参考訳）: 複雑なトポロジー制御は必要か? 離散ピアランダムルーティングはスパースマルチエージェント議論におけるコスト効率を改善する
• Abstract要約: マルチエージェントディベート(MAD)は,大規模言語モデルの推論精度を向上させるための,有望なパラダイムとして浮上している。 スパースMADを詳しく検討し、集合的推論を改善するために複雑なトポロジ制御が実際に必要かどうかを問う。
• 参考スコア（独自算出の注目度）: 14.233668486426795
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-agent debate (MAD) has emerged as a promising paradigm for improving the reasoning accuracy of large language models (LLMs) through iterative peer interaction. Communication topology plays a central role in this process, motivating increasingly sophisticated mechanisms that learn, adapt, or dynamically reconfigure agent interactions to improve accuracy or reasoning reliability. Meanwhile, prior studies suggest that much simpler sparse communication can already achieve competitive performance at substantially lower cost. In this work, we take a closer look at sparse MAD and ask whether complex topology control is actually necessary to improve collective reasoning. We find that a simple random-without-replacement routing policy, which lets each agent debate with two distinct and newly sampled peers at every round, provides a surprisingly strong baseline and consistently improves the accuracy-cost trade-off of sparse MAD. Building on this observation, we further study deliberation stopping and show that lightweight stopping can substantially reduce inference cost while preserving competitive accuracy. Our results suggest that sophisticated topology control such as learned topology adaption should be evaluated against strong simple routing and stopping baselines before its additional complexity is justified.
• Abstract（参考訳）: マルチエージェント討論(MAD)は,大規模言語モデル(LLM)の推論精度を反復的ピアインタラクションにより向上させる,有望なパラダイムとして登場した。 コミュニケーショントポロジはこのプロセスにおいて中心的な役割を担い、信頼性の向上や推論のためにエージェントのインタラクションを学習、適応、動的に再構成する高度なメカニズムを動機付けている。 一方、従来の研究では、より単純なスパース通信が、かなり低コストで既に競争性能を達成できることが示唆されていた。 本研究では,スパースMADについてより詳しく検討し,集合的推論を改善するために複雑なトポロジ制御が実際に必要かどうかを問う。 単純なランダム・アズ・ア・リプレース・ルーティングポリシでは,各エージェントが2つの異なる,あるいは新たにサンプリングされたピアを各ラウンドで議論し,驚くほど強力なベースラインを提供し,スパースMADの精度とコストのトレードオフを一貫して改善する。 この観測に基づいて, 検討の停止について検討し, 軽量の停止は, 競争精度を維持しつつ, 推論コストを大幅に低減できることを示した。 以上の結果から,学習したトポロジ適応などの高度なトポロジ制御は,新たな複雑性が正当化される前に,強い単純なルーティングやベースラインの停止に対して評価されるべきであることが示唆された。

関連論文リスト

• TRACE: A Unified Rollout Budget Allocation Framework for Efficient Agentic Reinforcement Learning [52.67756371231985]
  検証可能な報酬を伴う強化学習(RLVR)は、大規模言語モデルにおける推論とエージェント的行動を強化するための有望なアプローチである。 本稿では,Tree Rollout Allocation for Contrastive Exploration (TRACE)について紹介する。 技術的には、TRACEはロールアウト予算をルートと中間プレフィックスの両方に割り当てている。
  論文  参考訳（メタデータ） (2026-06-09T17:16:03Z)
• Heterogeneous Consensus-Progressive Reasoning for Efficient Multi-Agent Debate [58.675713546748305]
  マルチエージェント・ディベート(英: Multi-Agent Debate、MAD)は、複数のエージェントが推論および反復的批判サイクルの生成を通じて、反復的にソリューションを洗練する協調的なフレームワークである。 本研究は,HCP-MADのための不均一なコンセンサス・プログレッシブ推論を導入する。 HCP-MADは3段階のプログレッシブ推論機構を用いて、様々なタスク複雑度にまたがる適応的なソリューションを開発する。
  論文  参考訳（メタデータ） (2026-04-03T06:58:59Z)
• PLUME: Latent Reasoning Based Universal Multimodal Embedding [52.35354073629127]
  ユニバーサルマルチモーダル埋め込み(UME)は、異種入力を単一のモデルで共有検索空間にマッピングする。 最近のアプローチでは、埋め込みを抽出する前に明確なチェーン・オブ・シント(CoT)論理を生成することにより、UMEを改善している。 PLUMEは,言語化されたCoTを連続的潜伏状態の短時間の自己回帰ロールアウトに置き換えることで,UMEを進化させる潜在的推論フレームワークである。
  論文  参考訳（メタデータ） (2026-04-02T14:04:53Z)
• RUMAD: Reinforcement-Unifying Multi-Agent Debate [15.05837715937063]
  マルチエージェント討論(MAD)システムは、推論能力を高めるために集団知性を活用する。 既存のアプローチは、精度、コンセンサス形成、計算効率を同時に最適化するのに苦労している。 RUMADは,MADにおける動的通信トポロジ制御を強化学習(RL)問題として定式化する新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-27T10:04:26Z)
• Compressed Federated Reinforcement Learning with a Generative Model [11.074080383657453]
  強化学習は近年、前例のない人気を得たが、それでもサンプルの非効率さに悩まされている。 この課題に対処するため、フェデレーション強化学習(FedRL)が出現し、エージェントは局所的な推定を集約することで単一のポリシーを協調的に学習する。 通信効率のよいFedRL手法であるCompFedRLを提案する。
  論文  参考訳（メタデータ） (2024-03-26T15:36:47Z)
• IBP Regularization for Verified Adversarial Robustness via Branch-and-Bound [85.6899802468343]
  IBP-Rは, どちらも簡便なトレーニングアルゴリズムである。 また、$beta$-CROWNに基づく新しいロバスト性であるUPBを提示し、最先端の分岐アルゴリズムのコストを削減する。
  論文  参考訳（メタデータ） (2022-06-29T17:13:25Z)

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。