論文の概要: DEALS: Decentralized Expertise-Aware Load Serving for Multi-Agent LLM Systems
- arxiv url: http://arxiv.org/abs/2609.33768v1
- Date: Sun, 27 Sep 2026 17:09:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-04 16:50:37.193235
- Title: DEALS: Decentralized Expertise-Aware Load Serving for Multi-Agent LLM Systems
- Title（参考訳）: DEALS:マルチエージェントLLMシステムのための分散エキスパートアウェアロードサービング
- Abstract要約: マルチエージェントシステム (MAS) は, 大規模言語モデル (LLM) に基づくエージェントを協調して, 構造的相互作用によって複雑なタスクを解くための効果的な手法として最近登場した。
エージェントが並列タスクを自律的かつ動的にルーティングすることを可能にする分散かつ低複雑さのフレームワークである分散エキスパート・アウェアを提案する。
- 参考スコア（独自算出の注目度）: 13.034974189941465
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-agent systems (MAS) have recently emerged as an effective approach for coordinating large language model (LLM)-based agents to solve complex tasks through structured interactions. In practice, MASs often handle a stream of heterogeneous and complex tasks, requiring agents to decompose each task and then self-organize and self-evolve to adapt to incoming tasks while sharing execution resources. However, most early approaches to MASs rely on centralized controllers or fixed coordination patterns, which can limit scalability or adaptability. In contrast, existing decentralized and dynamic MASs often require training dedicated routers or invoking LLMs for agent selection, resulting in substantial computational costs and coordination overhead. To address these challenges and enable efficient task-level self-organization and self-evolution for task- and workload-level collaboration, we propose Decentralized Expertise-Aware Load Serving (DEALS), a decentralized and low-complexity framework that enables agents to self-organize and dynamically route concurrent tasks for processing. Specifically, each agent maintains local queues of incoming tasks, and its router decides whether to process a task locally or forward it to a neighbor based on differences in backlog and success rate. Meanwhile, executors process independent tasks concurrently within and across agents, and partially solved tasks can be resumed by other agents. Experiments show that DEALS not only improves performance along multiple dimensions (e.g., answer accuracy and task throughput) in both homogeneous and heterogeneous agent pools, but also balances agent expertise and workload in a self-organized manner, enabling effective decentralized coordination.
- Abstract（参考訳）: マルチエージェントシステム (MAS) は, 大規模言語モデル (LLM) に基づくエージェントを協調して, 構造的相互作用によって複雑なタスクを解くための効果的な手法として最近登場した。
実際には、MASは不均一で複雑なタスクのストリームを処理し、エージェントは各タスクを分解し、実行リソースを共有しながら入ってくるタスクに適応するために自己組織化し、自己進化させる必要がある。
しかし、MASに対する初期のアプローチのほとんどは、拡張性や適応性を制限することができる集中型コントローラや固定された調整パターンに依存していた。
対照的に、既存の分散化および動的MASは、しばしば専用ルータの訓練やエージェント選択のためのLSMの呼び出しを必要とし、計算コストと調整オーバーヘッドが大幅に増大する。
これらの課題に対処し、タスクレベルの自己組織化とタスクレベルの協調のための自己進化を可能にするために、エージェントが処理のために並列タスクを自己組織化し動的にルーティングできるようにする分散エキスパート・アウェア・ロード・サービング(DEALS)を提案する。
具体的には、各エージェントは、受信したタスクのローカルキューを保持し、ルータは、バックログと成功率の違いに基づいて、タスクをローカルに処理するか、隣人に転送するかを決定する。
一方、実行者はエージェント内およびエージェント間の独立タスクを同時に処理し、部分的に解決されたタスクを他のエージェントによって再開することができる。
実験により、DEALSは均質エージェントプールと異質エージェントプールの両方において複数の次元(例えば、解答精度とタスクスループット)で性能を向上するだけでなく、エージェントの専門知識とワークロードを自己組織的にバランスさせ、効果的に分散化された調整を可能にすることが示された。
関連論文リスト
- EASy: Towards Efficient LLM-Based Agentic System [54.10819421625103]
強化学習によるタスク性能と計算効率を協調的に最適化する訓練可能なエージェントフレームワークであるEASyを提案する。
EASyはLLMベースのオーケストレータに異種エグゼキュータの能力とコストプロファイルを明確に把握し、パフォーマンスのみのルーティング以上のコンテキスト依存的な調整を可能にする。
さらに、複雑なタスクを管理可能なマイルストーンに分解し、依存性を意識した実行グラフを構築し、適切なエグゼキュータを割り当て、その後の決定を中間的な結果に適用しながら、独立したステップを並列化するマイルストーン計画実行ワークフローも導入されている。
論文 参考訳（メタデータ） (2026-08-05T08:50:36Z) - 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) - Effective Strategies for Asynchronous Software Engineering Agents [52.76455094324273]
本稿では,集中型タスクデリゲート,非同期実行,独立したワークスペースという,3つのSWEプリミティブに根ざした構造化マルチエージェント協調パラダイムを導入する。
CAIDは,紙再生タスク(PaperBench)では26.7%,Pythonライブラリ開発タスクでは14.3%,単一エージェントベースラインでは26.7%の精度向上を実現している。
論文 参考訳（メタデータ） (2026-03-23T02:26:35Z) - Automata-Conditioned Cooperative Multi-Agent Reinforcement Learning [6.085436102697102]
本研究では,協調的,時間的目標,集中的訓練,分散実行によるマルチタスク・マルチエージェント政策の学習課題について検討する。
本稿では,タスク条件付き分散チームポリシー学習フレームワークであるACC-MARLを提案する。
論文 参考訳（メタデータ） (2025-11-04T06:37:36Z) - Learning to Lead Themselves: Agentic AI in MAS using MARL [0.0]
本稿では,エージェント人工知能,エージェントが独立して,適応的かつ積極的に行動することで,マルチエージェントシステムにおけるタスク割り当てとコーディネーションを改善する方法について検討する。
協調型マルチエージェント強化学習環境における問題を定式化し、PyTorchにおけるIPPOと呼ばれる軽量なマルチエージェントプロキシポリシー最適化を実装した。
実験はPettingZoo環境で行われ、複数の均質なドローンやエージェントが、明示的なコミュニケーションなしに異なるターゲットをカバーするために自己組織化されなければならない。
論文 参考訳（メタデータ） (2025-09-24T11:36:07Z) - Cross-Task Experiential Learning on LLM-based Multi-Agent Collaboration [63.90193684394165]
マルチエージェント・クロスタスク体験学習(MAEL)は,LSM駆動型エージェントに明示的なクロスタスク学習と経験蓄積を付与する新しいフレームワークである。
経験的学習フェーズでは、タスク解決ワークフローの各ステップの品質を定量化し、その結果の報酬を記憶する。
推論中、エージェントは、各推論ステップの有効性を高めるために、いくつかの例として、高頻度のタスク関連体験を検索する。
論文 参考訳（メタデータ） (2025-05-29T07:24:37Z) - Multi-Agent Collaboration via Evolving Orchestration [55.574417128944226]
大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。
LLMに基づくマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し,タスク状態の進化に応じて,中央集権的なオーケストレータ("puppeteer")がエージェント("puppets")を動的に指示する。
クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2025-05-26T07:02:17Z) - AgentNet: Decentralized Evolutionary Coordination for LLM-based Multi-Agent Systems [22.291969093748005]
AgentNet(エージェントネット)は、マルチエージェントシステムのための分散化された検索型生成(RAG)ベースのフレームワークである。
静的ロールや集中制御の以前のアプローチとは異なり、AgentNetはエージェントがローカルの専門知識とコンテキストに基づいて接続とタスクのルーティングを調整することができる。
実験の結果,AgentNetは単一エージェントと集中型マルチエージェントのベースラインよりも高いタスク精度を実現することがわかった。
論文 参考訳（メタデータ） (2025-04-01T09:45:25Z) - Agent-Oriented Planning in Multi-Agent Systems [54.429028104022066]
マルチエージェントシステムにおけるエージェント指向計画のための新しいフレームワークであるAOPを提案する。
本研究では, エージェント指向計画の3つの重要な設計原則, 可解性, 完全性, 非冗長性を明らかにする。
大規模実験は,マルチエージェントシステムにおける単一エージェントシステムと既存の計画戦略と比較して,現実の問題を解決する上でのAOPの進歩を実証している。
論文 参考訳（メタデータ） (2024-10-03T04:07:51Z)
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。