論文の概要: Self-Adapting Group of Experts for Multi-Agent Reasoning

• arxiv url: http://arxiv.org/abs/2609.35412v1
• Date: Mon, 28 Sep 2026 15:29:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 05:44:18.544194
• Title: Self-Adapting Group of Experts for Multi-Agent Reasoning
• Title（参考訳）: マルチエージェント推論のための自己適応型エキスパートグループ
• Abstract要約: 本研究は,エージェントの初期応答が,現在の問題に適した戦略を識別し,他のエージェントへの転送を導くことができるかどうかを考察する。 SAGEは、回答合意、プレフィックス一貫性、相互ピアレビューを利用して、ストラテジードナーを選択するトレーニングフリーフレームワークである。 複数のエージェントのバックボーンと推論ベンチマークによる実験により、SAGEは評価されたベースラインよりも高い平均精度を達成することが示された。
• 参考スコア（独自算出の注目度）: 31.74784844948257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-agent systems bring together language model agents with different roles to propose, review, and refine solutions. Each agent's response depends on its model's capabilities, the reasoning strategy defined by its system prompt, and the information in its input context. Existing frameworks often adapt communication by changing this context while leaving individual prompts fixed, even when a problem calls for different skills. We study whether agents' initial responses can identify a strategy better suited to the current problem and guide its transfer to other agents. To address this, we introduce SAGE (Self-Adapting Group of Experts), a training-free framework that uses answer agreement, prefix consistency, and reciprocal peer review to select a strategy donor. SAGE transfers the selected donor's reasoning strategy to the other agents while preserving their original roles. This transfer uses only the agents' original system prompts, without access to the problem or generated solutions. After strategy adaptation, agents exchange responses through a dynamic, sparse directed acyclic graph that routes information from higher-scoring agents to lower-scoring agents. Experiments across multiple agent backbones and reasoning benchmarks show that SAGE achieves higher average accuracy than the evaluated baselines. Our code is available at https://github.com/atifquamar07/sage.
• Abstract（参考訳）: マルチエージェントシステムは、さまざまな役割を持つ言語モデルエージェントをまとめて、ソリューションを提案し、レビューし、洗練する。 各エージェントの応答は、そのモデルの能力、システムプロンプトによって定義された推論戦略、入力コンテキストの情報に依存する。 既存のフレームワークは、問題が異なるスキルを要求する場合であっても、個々のプロンプトを固定しながら、このコンテキストを変更してコミュニケーションを適用することが多い。 本研究は,エージェントの初期応答が,現在の問題に適した戦略を識別し,他のエージェントへの転送を導くことができるかどうかを考察する。 そこで我々は,SAGE(Self-Adapting Group of Experts)を紹介した。これは,回答合意,プレフィックスの一貫性,相互ピアレビューを利用して,ストラテジードナーを選択するトレーニングフリーフレームワークである。 SAGEは、選択したドナーの推論戦略を、元の役割を維持しながら他のエージェントに転送する。 この転送は、問題や生成されたソリューションにアクセスすることなく、エージェントのオリジナルのシステムプロンプトのみを使用する。 戦略順応後、エージェントはダイナミックでスパースな非環状グラフを通じて応答を交換し、高次のエージェントから低次のエージェントに情報をルーティングする。 複数のエージェントのバックボーンと推論ベンチマークによる実験により、SAGEは評価されたベースラインよりも高い平均精度を達成することが示された。 私たちのコードはhttps://github.com/atifquamar07/sage.comから入手可能です。

関連論文リスト

• Preventing Error Propagation in Multi-Agent AI through Runtime Monitoring [4.75542422590052]
  推論交換と実行時応答のリビジョンにより,信頼性の高いマルチエージェントAI通信について検討する。 エージェントがまず個別に複数の質問に回答し、その後、推論の痕跡を共有し、意思決定を再考するフレームワークを開発する。
  論文  参考訳（メタデータ） (2026-06-27T17:44:24Z)
• Misinformation Propagation in Benign Multi-Agent Systems [11.967259729189388]
  マルチエージェントシステムは、医学的診断、法的な分析、法医学的な意思決定など、ハイテイクな環境にますます導入されている。 彼らの信頼性は、単一のエージェントが誤った、あるいは誤解を招くコンテキストから推論した場合、危険にさらされる可能性がある。 本研究は、意図に基づく誤報を良性単エージェントおよび多エージェントシステムに注入することにより、このリスクを研究する。
  論文  参考訳（メタデータ） (2026-06-15T13:40:01Z)
• AgentFugue: Agent Scaling for Long-Horizon Tasks through Collective Reasoning [57.72181998599248]
  AgentFugueは、共通の推論ハブを中心に構築された、集合的推論フレームワークである。 ピアエージェントが同じタスクを並列に探索する際、ハブは各エージェントが何を確立、試み、あるいは除外したかを簡潔に記録する。 この結果から,集団推論によってピアエージェントシステムのスケールアウトが実現可能であることが示唆された。
  論文  参考訳（メタデータ） (2026-05-23T09:21:51Z)
• AgentPSO: Evolving Agent Reasoning Skill via Multi-agent Particle Swarm Optimization [46.78426363253909]
  我々はマルチエージェント推論スキルを進化させるフレームワークであるAgentPSOを紹介する。 エージェントPSOは、各エージェントを自然言語技術である粒子のような推論器として扱う。 エージェントをより強いスキル状態へと繰り返し移動させ、個人的および集団的推論のパフォーマンスを改善する。
  論文  参考訳（メタデータ） (2026-05-09T05:38:21Z)
• AgentSelect: Benchmark for Narrative Query-to-Agent Recommendation [39.61543921719145]
  AgentSelectは、エージェントの選択をナラティブクエリからエージェントへのレコメンデーションとして再設計するベンチマークである。 異種評価アーティファクトを、統一された正のみの相互作用データに変換する。 AgentSelectは、エージェントレコメンデーションのための最初の統一データと評価インフラストラクチャを提供する。
  論文  参考訳（メタデータ） (2026-03-04T06:17:51Z)
• AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
  tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。 エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
  論文  参考訳（メタデータ） (2025-10-06T23:20:49Z)
• Can an Individual Manipulate the Collective Decisions of Multi-Agents? [53.01767232004823]
  M-Spoilerは、マルチエージェントシステム内のエージェントインタラクションをシミュレートして、対向サンプルを生成するフレームワークである。 M-スポイラーは、敵対的サンプルの最適化を積極的に支援するスタブボーン剤を導入した。 本研究は,マルチエージェントシステムにおける個々のエージェントの知識によって引き起こされるリスクを検証した。
  論文  参考訳（メタデータ） (2025-09-20T01:54:20Z)
• Coordinating Policies Among Multiple Agents via an Intelligent Communication Channel [81.39444892747512]
  MARL(Multi-Agent Reinforcement Learning)では、エージェントが直接通信できる特別なチャンネルがしばしば導入される。 本稿では,エージェントの集団的性能を向上させるために,エージェントが提供した信号の伝達と解釈を学習する,インテリジェントなファシリテータを通じてエージェントがコミュニケーションする手法を提案する。
  論文  参考訳（メタデータ） (2022-05-21T14:11:33Z)

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。