論文の概要: Topological Coherence for Self-evolving Multi-agent Systems

• arxiv url: http://arxiv.org/abs/2609.37953v1
• Date: Tue, 29 Sep 2026 16:27:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.742919
• Title: Topological Coherence for Self-evolving Multi-agent Systems
• Title（参考訳）: 自己進化型マルチエージェントシステムのトポロジ的コヒーレンス
• Abstract要約: トポロジコヒーレントなマルチエージェントシステムTOCOMASを紹介する。 ToCOMASはツールインターフェースにタスクグラフを基盤として、互換性のあるタスクノードを再利用可能な責任ドメインに編成する。 オンラインの自己進化において、TOCOMASはエージェント、コラボレーション、メモリポリシーの複合的な変更を提案する。
• 参考スコア（独自算出の注目度）: 17.746564849362382
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complex tasks inherently couple workflow structure, agent responsibility, collaboration, and memory access: task regions delimit responsibility and tool scope, cross-region dependencies give rise to handoffs, and ownership boundaries delimit private and selectively shared memory. Existing methods can jointly optimize agent and communication structures, yet such optimization does not by itself require responsibility, handoff, and memory boundaries to remain consistent with task dependencies. We term this requirement topological coherence. We introduce TOCOMAS, a Topology-Coherent Multi-Agent System. TOCOMAS grounds a task graph in tool interfaces, organizes compatible task nodes into reusable responsibility domains, and derives dependency-induced and profile-conditioned collaboration together with boundary-regulated memory visibility. During online self-evolution, TOCOMAS proposes coupled changes to agent, collaboration, and memory policies, retaining for subsequent tasks only candidates that satisfy structural constraints and improve evaluated reward. Across BBEH, WorkBench, SWE-Bench-Verified, and CoMemBench, TOCOMAS improves task success over baselines across backbones. CoMemBench also shows gains over the self-evolving baseline in verified progress, handoffs, and memory isolation.
• Abstract（参考訳）: 複雑なタスクは本質的にワークフロー構造、エージェントの責任、コラボレーション、メモリアクセスを結合する:タスクリージョンは責任とツールスコープを分離し、リージョン間の依存関係はハンドオフを引き起こし、オーナシップ境界はプライベートと選択された共有メモリを分離する。 既存のメソッドは、エージェントと通信構造を共同で最適化することができるが、そのような最適化は、タスクの依存関係と整合性を維持するために、それ自体が責任、ハンドオフ、メモリ境界を必要としない。 この要件をトポロジカルコヒーレンス(topological coherence)と呼ぶ。 トポロジコヒーレントなマルチエージェントシステムTOCOMASを紹介する。 TOCOMASは、ツールインターフェースにタスクグラフを基盤として、互換性のあるタスクノードを再利用可能な責任ドメインに整理し、境界制御されたメモリ可視性とともに、依存性によって引き起こされた、プロファイル条件の協調を導出する。 オンラインの自己進化において、TOCOMASはエージェント、コラボレーション、メモリポリシーの複合的な変更を提案し、その後のタスクは構造的制約を満たす候補のみを保持し、評価された報酬を改善する。 BBEH、WorkBench、SWE-Bench-Verified、CoMemBenchの他、TOCOMASはバックボーン全体のベースラインよりもタスク成功を改善する。 CoMemBenchはまた、検証された進捗、ハンドオフ、メモリアイソレーションにおいて、自己進化するベースラインよりも利得を示している。

関連論文リスト

• CoMemBench: Benchmarking Collaborative Memory Boundaries across Multi-Agent Workflow Topologies [17.585941067424216]
  CoMemBenchは、マルチエージェントワークフロートポロジ間のコラボレーティブメモリ共有とアイソレーションのための実行基盤ベンチマークである。 ソースグラウンドの依存性グラフから4つのドメインに800の複合トポロジを構築し、ノードローカル仕様、検証可能なアーティファクトハンドオフ、ネイティブ評価器、マッチした分離課題を備える。 より広範なコンテキストは情報の可用性を改善し、分離を弱め、システムランキングはトポロジやアーティファクト違反に移行する。
  論文  参考訳（メタデータ） (2026-09-26T03:33:15Z)
• Agentic AI Networking for Heterogeneous Unmanned Aerial Systems in Low-Altitude Wireless Networks [51.122913904076505]
  低高度無線ネットワーク(LAWN)は、異種無人航空システムの鍵となる基盤として浮上している。 本稿では,マルチエージェント強化学習(MARL)アーキテクチャを二重ループ構造として,階層型ハイブリッド型大規模言語モデル(LLM)を提案する。 具体的には、外部適応ループはLLMによるゲームオーケストレーションを使用して、サービス要件とオペレータの意図を解釈し、目的とリソースの優先順位を再設定する。 物流監視ケーススタディは、提案したフレームワークが異種サービス間の協調共存をどのように促進するかを示す。
  論文  参考訳（メタデータ） (2026-09-17T01:04:27Z)
• 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)
• TALM: Dynamic Tree-Structured Multi-Agent Framework with Long-Term Memory for Scalable Code Generation [0.0]
  エージェントコード生成には、複雑なコンテキスト管理と多段階推論が可能な大きな言語モデルが必要である。 本稿では,構造化タスク分解,局所化再推論,長期記憶機構を統合した動的フレームワークTALMを提案する。 HumanEval、BigCodeBench、ClassEvalベンチマークの実験結果は、TALMが一貫して強力な推論性能と高いトークン効率を提供することを示している。
  論文  参考訳（メタデータ） (2025-10-27T05:07:36Z)
• Assemble Your Crew: Automatic Multi-agent Communication Topology Design via Autoregressive Graph Generation [91.17994756436259]
  大規模言語モデル(LLM)に基づくマルチエージェントシステム(MAS)は、多様な領域にわたる複雑な問題を扱うための強力なソリューションとして登場した。 既存のアプローチは、事前に定義されたエージェントセットとハードコードされた相互作用構造を持つテンプレートグラフ修正パラダイムに依存しているため、基本的に制限されている。 協調グラフをスクラッチから構築することで、このパラダイムを運用する新しい自己回帰モデルであるARG-Designerを提案する。
  論文  参考訳（メタデータ） (2025-07-24T09:17:41Z)
• HAWK: A Hierarchical Workflow Framework for Multi-Agent Collaboration [3.2588674134593942]
  マルチエージェントシステムは、クロスプラットフォームの相互運用性、動的タスクスケジューリング、効率的なリソース共有において永続的な課題に直面している。 階層型エージェント (Hawk) は, ユーザ, オペレータ, エージェント, リソースの5つのレイヤから構成され, 16の標準化インターフェースでサポートされているモジュール型フレームワークである。 Hawkはタスク解析、ワークフローオーケストレーション、インテリジェントスケジューリング、リソース呼び出し、データ同期をカバーしたエンドツーエンドパイプラインを提供する。
  論文  参考訳（メタデータ） (2025-07-05T15:03:53Z)
• A representational framework for learning and encoding structurally enriched trajectories in complex agent environments [1.1470070927586018]
  人工知能エージェントが最適な決定を行い、それらを異なるドメインやタスクに一般化する能力は、複雑なシナリオで妥協される。 この問題に対処する方法の1つは、世界の効率的な表現を学習することと、エージェントのアクションが状態-行動遷移においてそれらにどのように影響するかに焦点を当てている。 本稿では,エージェントのオントロジーを強化し,従来のトラジェクトリ概念を拡張し,タスク実行のより微妙な視点を提供することを提案する。
  論文  参考訳（メタデータ） (2025-03-17T14:04:27Z)

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。