論文の概要: ANTMAN: Adaptive Need Tracking for Multi-Agent Navigation in Large Information Spaces

• arxiv url: http://arxiv.org/abs/2609.33326v1
• Date: Sun, 27 Sep 2026 07:55:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 01:07:17.81354
• Title: ANTMAN: Adaptive Need Tracking for Multi-Agent Navigation in Large Information Spaces
• Title（参考訳）: ANTMAN: 大規模情報空間におけるマルチエージェントナビゲーションのための適応的ニーズトラッキング
• Abstract要約: ANTMANは、未解決の情報要求の進化をランタイム調整の単位として扱う適応調整フレームワークである。 ANTMANは, 分割駆動ベースラインの15倍以上と比較して, アクティブコーディネートをわずか1.23倍に向上させることを示した。
• 参考スコア（独自算出の注目度）: 30.375469360414986
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Information-seeking agents increasingly operate over information spaces that are too large to process exhaustively. Yet many multi-agent systems organize computation around static partitions of the available space, causing coordination to grow with how information is segmented rather than with what the query still requires. We introduce ANTMAN, an adaptive coordination framework that treats evolving unresolved information needs as the unit of runtime coordination. ANTMAN maintains a revisable Need Graph that tracks unresolved requirements, accumulated evidence, prior attempts, and search progress, and uses this state to control worker selection, routing, and task-local recovery as new evidence is discovered. By separating the coordination policy from substrate-specific search interfaces, the same need-conditioned mechanism can operate across different information spaces. Experiments across multi-document question answering, controlled long-context scaling, and realistic structured navigation show that ANTMAN remains effective across settings, including when execution is delegated to substantially smaller worker models. Under a 16x increase in searchable context, ANTMAN increases active coordination by only 1.23x, compared with more than 15x for partition-driven baselines, while preserving strong answer quality.
• Abstract（参考訳）: 情報探索エージェントは、徹底的に処理するには大きすぎる情報空間をますます操作する。 しかし、多くのマルチエージェントシステムは、利用可能な空間の静的パーティションの周りに計算を整理し、クエリがまだ必要とするものではなく、どのように情報をセグメント化するかを調整する。 我々は、未解決の情報要求の進化をランタイム調整の単位として扱う適応調整フレームワークANTMANを紹介する。 ANTMANは、未解決の要件、蓄積されたエビデンス、事前試行、検索進捗を追跡し、新しいエビデンスを発見すると、ワーカーの選択、ルーティング、タスクローカルリカバリを制御するためにこの状態を使用する、変更可能なニードグラフを維持している。 調整方針を基板固有の検索インタフェースから切り離すことで、同じ要求条件の機構を異なる情報空間で操作することができる。 マルチドキュメントの質問応答、コントロールされたロングコンテキストのスケーリング、現実的な構造化されたナビゲーションによる実験は、ANTMANが、より小さなワーカーモデルに実行が委譲された場合を含む、設定全体にわたって有効であることを示しています。 16倍の検索可能なコンテキスト下では、ANTMANは1.23倍のアクティブなコーディネーションを向上するが、パーティション駆動のベースラインでは15倍以上であり、応答品質は高い。

関連論文リスト

• SearchOS-V1: Towards Robust Open-Domain Information-Seeking Agent Collaboration [77.28003194268977]
  SearchOSは、脆弱で暗黙的な検索進捗を明示的で永続的で共有状態に変換するシステムレベルのマルチエージェントフレームワークである。 SOCM上に構築されたSearchOSは、サブエージェントの実行を重複させるパイプライン並列スケジューリングメカニズムを適用している。 SearchOSは評価されたシングルエージェントとマルチエージェントのベースラインの中で、すべてのメトリクスをリードする。
  論文  参考訳（メタデータ） (2026-07-16T17:51:23Z)
• WebSwarm: Recursive Multi-Agent Orchestration for Deep-and-Wide Web Search [104.75798763084424]
  大規模言語モデル(LLM)ベースのWeb検索エージェントは、情報検索を複雑で広範囲な検索と研究指向のタスクに変換する。 本稿では,タスクの分解と拡張を共同で構築するプログレッシブ・プログレッシブ・プログレッシブ・デリゲート・フレームワークであるWebSwarmを提案する。 WebSwarmは、ディープ・ワイド・インターリーブされたディープ・アンド・ワイド・タスクにおいて、シングルエージェントとマルチエージェントのベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-07-09T16:28:49Z)
• Organize then Retrieve: Hierarchical Memory Navigation for Efficient Agents [29.28371047415946]
  HORMAは、大規模な言語モデルのための階層的なオーガナイズ・アンド・レトリーブメモリエージェントである。 ワーキングメモリを構造化メモリ構築とナビゲーションベースの検索の2つのステージに分割する。 優れた効率性とパフォーマンスのトレードオフを一貫して達成し、目に見えないタスクに効果的に一般化する。
  論文  参考訳（メタデータ） (2026-06-10T05:49:14Z)
• HULK: Large-scale Hierarchical Coordination under Continual and Uncertain Temporal Tasks [5.337512368549053]
  この研究は、連続的かつ不確実な時間的タスクの下での大規模調整問題に取り組む。 提案された階層的なフレームワークであるHULKは、2つのインターリーブされたレイヤで構成されている。 種々の時間的タスクと環境不確実性の下で, 大規模異種システムに対して厳密に検証する。
  論文  参考訳（メタデータ） (2026-05-09T06:10:40Z)
• 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)
• AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
  複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。 AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
  論文  参考訳（メタデータ） (2026-01-28T08:09:49Z)
• Beyond Monolithic Architectures: A Multi-Agent Search and Knowledge Optimization Framework for Agentic Search [56.78490647843876]
  エージェント検索は、大規模言語モデル(LLM)が推論とツールの使用をインターリーブできるようにすることによって、複雑な情報を探すための有望なパラダイムとして登場した。 本稿では,bfM-ASKを提案する。bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK。
  論文  参考訳（メタデータ） (2026-01-08T08:13:27Z)

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。