論文の概要: Waggle: Learning One Anonymous Local Law for Self-Organizing LLM Swarms

• arxiv url: http://arxiv.org/abs/2609.34136v1
• Date: Mon, 28 Sep 2026 02:15:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 06:39:01.810392
• Title: Waggle: Learning One Anonymous Local Law for Self-Organizing LLM Swarms
• Title（参考訳）: ワグル:LSMの自己組織化のための匿名の地方法を学習する
• Abstract要約: We introduced Waggle, a shared anonymous policy over bounded local view that togetherly selects task action, semantic communication, and local commitment updates。 我々は,Swarm-Consistent Distillation (SCD) を開発した。 多様な調整設定全体において、人口や相互作用予算の変化に伴い、同じ学習法が有効であり、基質特異的なオラクルの品質の96%以上を保持し、再訓練なしに転送する。
• 参考スコア（独自算出の注目度）: 35.689600117133224
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As LLM agents increasingly collaborate on complex tasks, how to organize their interactions becomes a central design question. Existing multi-agent systems typically learn or adapt explicit roles, hierarchies, routing policies, or communication topologies. We shift the learning target to a reusable local law that can be shared across interchangeable agents and adapt coordination as populations or interaction conditions change, without redefining a global organization. We introduce Waggle, a shared anonymous policy over bounded local views that jointly selects task actions, semantic communication, and local commitment updates. Repeated execution of the same law allows coordination to form, persist, and reorganize online without explicit roles or global topology. To learn this law across interchangeable agents and evolving coordination, we develop Swarm-Consistent Distillation (SCD), combining anonymous-orbit consistency with rollout-grounded prediction of the next local coordination field, with no added inference-time components. Across diverse coordination settings, the same learned law remains effective as populations and interaction budgets change, retains over 96% of substrate-specific oracle quality, and transfers without retraining; SCD further improves reorganization after counterevidence. Together, these results show that LLM-agent organization can emerge and adapt through repeated execution of a learned local law.
• Abstract（参考訳）: LLMエージェントが複雑なタスクにますます協力していくにつれ、それらのインタラクションの整理方法が中心的な設計問題となっている。 既存のマルチエージェントシステムは通常、明示的な役割、階層、ルーティングポリシー、通信トポロジを学習または適応する。 我々は、グローバルな組織を再定義することなく、交換可能なエージェント間で共有できる再利用可能な地域法に学習対象をシフトし、人口や相互作用条件の変化に応じて調整する。 We introduced Waggle, a shared anonymous policy over bounded local view that togetherly selects task action, semantic communication, and local commitment updates。 同じ法律を繰り返し実行することで、明確な役割やグローバルトポロジなしで協調し、持続し、オンラインで再編成することができる。 そこで我々は,Swarm-Consistent Distillation (SCD) を開発した。Swarm-Consistent Distillation (SCD) は,無名の軌道整合性と次の局所座標場のロールアウトグラウンド予測を組み合わせ,推論時成分を追加しない。 多様な調整設定全体では、人口や相互作用予算の変化に伴い、同じ学習法が有効であり、基質特異的なオラクルの品質の96%以上を保持し、再訓練なしに移行し、SCDは反証後の再編成をさらに改善する。 これらの結果から,LLM-エージェント組織は,学習された局所法を反復的に実行することによって,創発的かつ適応可能であることが示唆された。

関連論文リスト

• Toward an Organizational Science of Multi-Agent LLM Systems: Decoupling Who, How, and Which Algorithm [14.162774819793759]
  IMACSは、チームにいる人、メンバーがどのように整列し、どのアルゴリズムが作業を混乱させるかという、論理的に異なる3つの懸念を分離する。 我々は、この分離を利用して、協調プロトコルが固定されている間、組織的な課題が異なる制御された比較を行う。 また、プロトコルの選択を学習可能な変数に変換する。
  論文  参考訳（メタデータ） (2026-07-28T08:35:21Z)
• RELIC: Revealed Principles for Learning Interpretable Composable Skills in Multi-Agent Planning [7.65208750022325]
  RELICは、明らかにされた原則を通じて解釈可能で構成可能なスキルを学ぶためのフレームワークである。 本稿では,解釈可能な,構成可能なスキルを学ぶためのフレームワークであるRELICを紹介する。
  論文  参考訳（メタデータ） (2026-07-18T10:08:54Z)
• 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)
• Multi-agent In-context Coordination via Decentralized Memory Retrieval [39.106914463842685]
  多様なデータセットに基づいてトレーニングされた大規模なトランスフォーマーモデルは、これまで目に見えなかったタスクにおいて、印象的な数ショットのパフォーマンスを誇示している。 MARL(Multi-Agent Reinforcement Learning)では、エージェントが共通の目標に向かって調整しなければならない。 高速適応によるコーディネーション向上を目的とした新しい手法である分散メモリ検索(MAICC)によるマルチエージェントインコンテキストコーディネーションを提案する。
  論文  参考訳（メタデータ） (2025-11-13T07:08:31Z)
• Learning to Interact in World Latent for Team Coordination [53.51290193631586]
  本研究は,多エージェント強化学習(MARL)におけるチーム協調を支援するために,対話型ワールドラテント(IWoL)という新しい表現学習フレームワークを提案する。 コミュニケーションプロトコルを直接モデル化することにより,エージェント間関係とタスク固有の世界情報とを協調的にキャプチャする学習可能な表現空間を構築する。 私たちの表現は、各エージェントの暗黙のラテントとしてだけでなく、コミュニケーションのための明示的なメッセージとしても使用できます。
  論文  参考訳（メタデータ） (2025-09-29T22:13:39Z)
• Competing Adaptive Networks [56.56653763124104]
  適応エージェントのチーム間での分散競争のためのアルゴリズムを開発する。 本稿では,生成的対向ニューラルネットワークの分散学習への応用について述べる。
  論文  参考訳（メタデータ） (2021-03-29T14:42:15Z)

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。