論文の概要: LatCom: Cross-Agent Latent Compression for Efficient Multi-Agent Collaboration

• arxiv url: http://arxiv.org/abs/2609.37017v1
• Date: Tue, 29 Sep 2026 08:36:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.334219
• Title: LatCom: Cross-Agent Latent Compression for Efficient Multi-Agent Collaboration
• Title（参考訳）: LatCom: 効率的なマルチエージェントコラボレーションのためのクロスエージェント遅延圧縮
• Abstract要約: 効率的なマルチエージェントラテントコラボレーションのためのクロスエージェントラテント圧縮フレームワークであるLatComを提案する。 LatComは複数の送信者ラテントを一定数の受信側計算とタスク関連スロットにマッピングする。 実験の結果、LatComはLatntMASよりも平均2.46倍の速度アップを達成した。
• 参考スコア（独自算出の注目度）: 21.198045474259988
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM-based multi-agent systems (MAS) increasingly use latent collaboration to avoid the information loss and repeated encoding-decoding overhead of natural-language communication. However, directly forwarding all sender latents makes the receiver-side context scale with both the number of agents and the reasoning length, increasing computation, memory usage, and collaboration latency. A natural solution is latent compression. But we find that cross-agent redundancy remains unresolved in existing latent compression approaches, which typically compress each sender independently and then concatenate the results. We propose LatCom, a cross-agent latent compression framework for efficient multi-agent latent collaboration. LatCom maps multiple sender latents into a fixed number of receiver-readable and task-relevant slots. Rather than reconstructing all sender hidden states, it optimizes the compressed latents for receiver-side task utility. LatCom trains the compressor in two stages: single-sender readability learning first establishes a latent interface interpretable by the frozen receiver, and multi-sender fusion learning then trains the compressor to fuse complementary evidence and remove redundancy across agents. Experiments on multiple benchmarks with Qwen3-4B show that LatCom achieves an average 2.46x inference speed-up over LatentMAS and reduces output token usage by 70.3% while maintaining comparable average accuracy.
• Abstract（参考訳）: LLMベースのマルチエージェントシステム(MAS)は、自然言語通信における情報損失と繰り返し符号化/復号化のオーバーヘッドを避けるために、潜時コラボレーションをますます利用している。 しかし、送信側ラテントを直接転送することで、エージェントの数と推論長、計算量の増加、メモリ使用量の増加、コラボレーション遅延の両方で受信側コンテキストがスケールされる。 自然な解決策は遅延圧縮である。 しかし、既存の遅延圧縮アプローチでは、通常、各送信者を独立に圧縮し、結果をまとめるクロスエージェント冗長性は未解決のままである。 効率的なマルチエージェントラテントコラボレーションのためのクロスエージェントラテント圧縮フレームワークであるLatComを提案する。 LatComは複数の送信者ラテントを一定数の受信可能およびタスク関連スロットにマッピングする。 すべての送信者が隠された状態を再構築する代わりに、圧縮されたラテントを受信側タスクユーティリティに最適化する。 LatComは圧縮機を2段階に分けて訓練する: シングルベンダーの可読性学習は、まず冷凍受信機で解釈可能な潜在インターフェースを確立し、その後、マルチベンダーの融合学習は圧縮機を訓練して補完的な証拠を融合させ、エージェント間の冗長性を除去する。 Qwen3-4Bによる複数のベンチマーク実験では、LatComはLatntMASよりも平均2.46倍の速度アップを実現し、出力トークンの使用量を70.3%削減し、平均精度を維持している。

関連論文リスト

• HiTMS: A High-Throughput Multi-Stream Linguistic Steganography Framework [16.259842401378197]
  生成言語ステガノグラフィーは、大きな言語モデルのサンプリングランダムネスの中に秘密のビットを隠蔽する。 既存のスキームはシングルストリームであり、単一のプロンプトに対する単一の応答を通じて秘密全体を伝達する。 本稿では,複数の応答に対して秘密を分散するHiTMS(High-Throughput Multi-Stream)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-26T10:54:44Z)
• BTI-Net: Bidirectional Decoder-Level Task Interaction via Uncertainty-Aware Gating for Multi-Task Medical Image Analysis [2.8218290601001854]
  BTI-Netは、タスクインタラクションモジュールを介して2つの並列経路を介して、デコーダレベルで双方向通信を確立する。 不確実性プロキシアテンションは、クロスタスクアライメント、シーンの複雑さ、予測信頼性をキャプチャする3つの信号を使用して、インスタンス毎とレベル毎のTIM出力をゲートする。 超音波、皮膚内視鏡、脳MRIの3つの医療ベンチマークの実験では、セグメンテーションIoUが一貫した改善を示し、エンコーダ共有とデコーダ相互作用ベースラインの両方に対して分類精度が向上した。
  論文  参考訳（メタデータ） (2026-06-27T22:37:26Z)
• Good Agentic Friends Do Not Just Give Verbal Advice: They Can Update Your Weights [58.27172968382275]
  マルチエージェントLLMシステムは、通常自然言語メッセージを交換することで協調する。 送信者のメッセージを受信者のコンテキストに付加する代わりに、送信者の隠された状態を過渡的で受信者固有の重み摂動にコンパイルする。
  論文  参考訳（メタデータ） (2026-05-13T17:58:32Z)
• Dual Latent Memory for Visual Multi-agent System [69.29799381195592]
  Visual Multi-Agent Systems (VMAS)は、エージェント間のコラボレーションを通じて包括的な能力を強化することを約束する。 増量剤は、指数関数的にトークンコストを膨らませながら、しばしば性能を低下させる。 L$2$-VMASは,2つの潜在記憶を用いたエージェント間コラボレーションを実現する新しいモデルに依存しないフレームワークである。
  論文  参考訳（メタデータ） (2026-01-31T02:49:10Z)
• JigsawComm: Joint Semantic Feature Encoding and Transmission for Communication-Efficient Cooperative Perception [7.867653563872962]
  JigsawCommはエンドツーエンドのトレーニング、セマンティックアウェア、通信効率の良いCPフレームワークである。 正規化エンコーダを使用して、意味的関連性とスパースな特徴を抽出する。 軽量のFeature Utility Estimatorを使用して、各エージェントの機能を最終認識タスクへのコントリビューションを予測する。
  論文  参考訳（メタデータ） (2025-11-21T23:36:24Z)
• Task-Oriented Feature Compression for Multimodal Understanding via Device-Edge Co-Inference [54.53508601749513]
  本稿では,マルチモーダル理解のためのタスク指向特徴圧縮(TOFC)手法を提案する。 圧縮効率を向上させるために、視覚特徴の特性に基づいて複数のエントロピーモデルを適応的に選択する。 その結果,TOFCはデータ転送オーバーヘッドを最大52%削減し,システム遅延を最大63%削減できることがわかった。
  論文  参考訳（メタデータ） (2025-03-17T08:37:22Z)
• Improving the Worst-Case Bidirectional Communication Complexity for Nonconvex Distributed Optimization under Function Similarity [92.1840862558718]
  ダウンリンク圧縮のための新しい手法であるMARINA-Pを導入する。 置換圧縮機を用いたMARINA-Pは、作業者数に応じてサーバ間通信の複雑さを向上できることを示す。 本稿では,MARINA-Pとアップリンク圧縮とモーメントステップを組み合わせた手法であるM3を導入する。
  論文  参考訳（メタデータ） (2024-02-09T13:58:33Z)

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。