論文の概要: Multi-Agent Flow Matching with Decoupled Generative Guidance

• arxiv url: http://arxiv.org/abs/2609.38133v1
• Date: Tue, 29 Sep 2026 17:54:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.81519
• Title: Multi-Agent Flow Matching with Decoupled Generative Guidance
• Title（参考訳）: 分離型生成誘導を用いたマルチエージェントフローマッチング
• Abstract要約: DeGG-Flowは非結合型生成誘導に適合するマルチエージェントフローのフレームワークである。 生成過程を制御-アフィン力学系として表現することにより、2種類の結合要求に対するガイダンス条件を開発する。 DeGG-Flowは環境を再構成することで空間ギャップを横切るためのマルチロボットコラボレーションと、余分な条件で複数オブジェクトのシーン生成を実証する。
• 参考スコア（独自算出の注目度）: 7.9383814695969095
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative modeling is widely used for producing diverse objects from complex, multimodal distributions. However, its expressivity does not, in general, come with formal guarantees that the generated objects satisfy hard constraints or requirements. In multi-agent generation, this problem becomes more challenging because a hard requirement can depend on multiple agents, while each agent may need to determine its own guidance input without relying on the simultaneously computed guidance inputs of other agents. To this end, we introduce DeGG-Flow, a general framework for multi-agent flow matching with decoupled generative guidance. By representing the generative process as a control-affine dynamical system, we develop guidance conditions for two classes of coupled requirements: shared requirements whose satisfaction depends on multiple agents together, and private requirements associated with each individual agent dependent on its neighbors. For both classes, we establish feasibility conditions and finite-horizon convergence guarantees. We further derive a Wasserstein bound that characterizes the distributional deviation induced by the guidance. We demonstrate DeGG-Flow on multi-robot collaboration for crossing a spatial gap by reconfiguring the environment, and on multi-object scene generation with affordance requirements. Across both applications, DeGG-Flow directly generates objects that satisfy all corresponding hard requirements, including at team sizes unseen during training.
• Abstract（参考訳）: 生成モデリングは、複雑なマルチモーダル分布から多様なオブジェクトを生成するために広く用いられている。 しかし、その表現性は一般に、生成されたオブジェクトが厳しい制約や要求を満たすという正式な保証を持ってはいない。 マルチエージェント生成では、ハード要件が複数のエージェントに依存する可能性があるのに対して、各エージェントは同時に計算された他のエージェントのガイダンス入力に依存することなく、独自のガイダンス入力を決定する必要があるため、この問題はより困難になる。 そこで本研究では,デカップリング型生成誘導とマルチエージェントフローマッチングのための汎用フレームワークであるDeGG-Flowを紹介する。 生成過程を制御-アフィン力学系として表現することにより、複数のエージェントに満足度が依存する共有要件と、各エージェントが隣人に依存するプライベート要件の2つのクラスに対するガイダンス条件を開発する。 両方のクラスに対して、実現可能性条件と有限水平収束保証を確立する。 さらに、誘導によって誘導される分布偏差を特徴付けるワッサーシュタイン境界を導出する。 DeGG-Flowは環境を再構成することで空間ギャップを横切るためのマルチロボットコラボレーションと、余分な条件で複数オブジェクトのシーン生成を実証する。 両方のアプリケーションで、DeGG-Flowはトレーニング中に見つからないチームサイズを含む、対応するハード要件をすべて満たしたオブジェクトを直接生成します。

関連論文リスト

• AsynCodeBench: Benchmarking Collaboration of Asynchronous Multi-Agent Systems in Software Engineering [29.404011829533857]
  マルチエージェントソフトウェアエンジニアリングのための依存性中心ベンチマークであるAsynCodeBenchを紹介する。 AsynCodeBenchは明示的な依存性グラフと実行可能な依存性チェッカーで各タスクを表現する。 コーディング性能の改善が必ずしもコラボレーションの強化につながるとは限らないことを示す。
  論文  参考訳（メタデータ） (2026-09-26T14:19:40Z)
• HeteroGenManip: Generalizable Manipulation For Heterogeneous Object Interactions [23.788389187142446]
  クロスタイプオブジェクトインタラクションを含む一般化可能な操作は、ロボティクスにおいて決定的だが難しい能力である。 既存の基盤モデルに基づくアプローチは、しばしば、これらのステージの区別を曖昧にするエンドツーエンドの学習を採用する。 We propose HeteroGenManip, a task-conditioned, two-stage framework designed to deouple initial grasp from complex interaction execution。
  論文  参考訳（メタデータ） (2026-05-11T08:48:02Z)
• MARTI-MARS$^2$: Scaling Multi-Agent Self-Search via Reinforcement Learning for Code Generation [64.2621682259008]
  セルフサーチスケーリングによるマルチエージェント強化トレーニングと推論フレームワーク(MARTI-MARS2) 本稿では,MARTI-MARS2を用いたマルチエージェント強化学習・推論フレームワークを提案する。 我々は、MARTI-MARS2が77.7%を獲得し、GPT-5.1のような強力なベースラインを、挑戦的なコード生成ベンチマークで上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-08T07:28:44Z)
• Diffusion Forcing for Multi-Agent Interaction Sequence Modeling [52.769202433667125]
  MAGNetはマルチエージェントモーション生成のための統合された自己回帰拡散フレームワークである。 フレキシブルな条件付けとサンプリングを通じて、幅広いインタラクションタスクをサポートする。 緊密に同期された活動と、ゆるやかに構造化された社会的相互作用の両方をキャプチャする。
  論文  参考訳（メタデータ） (2025-12-19T18:59:02Z)
• Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
  我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。 条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。 各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。 実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T05:28:28Z)
• Towards Agentic AI for Multimodal-Guided Video Object Segmentation [14.877182670778284]
  参照ベースのビデオオブジェクトは、外部キューでガイドされたきめ細かいセグメンテーション結果を生成する必要のあるマルチモーダル問題である。 ビジョン言語基礎モデルの最近の進歩は、トレーニングフリーアプローチへの有望な方向性を開いている。 本稿では,この課題を柔軟かつ適応的に解決する新しいエージェントシステムであるMulti-Modal Agentを提案する。
  論文  参考訳（メタデータ） (2025-08-14T12:11:15Z)
• 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)
• Predicting Multi-Agent Specialization via Task Parallelizability [8.465921582175426]
  タスクレギュラーやチームサイズに応じて、特殊化がパフォーマンスを改善することを予測したクローズドフォーム境界を示す。 反対のベンチマークを表す2つの標準MARLベンチマークでモデルを検証した。 Overcooked-AIにおける3つのフォローアップ実験は、このモデルがより複雑な空間的および資源的ボトルネックを持つ環境で動作することを示した。
  論文  参考訳（メタデータ） (2025-03-19T21:33:48Z)

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。