論文の概要: MoFlow: Multi-Objective Agentic Workflow Generation

• arxiv url: http://arxiv.org/abs/2609.38294v1
• Date: Tue, 29 Sep 2026 17:37:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.508522
• Title: MoFlow: Multi-Objective Agentic Workflow Generation
• Title（参考訳）: MoFlow: 多目的エージェントワークフロー生成
• Abstract要約: 精度,コスト,レイテンシ,堅牢性,一貫性など,複数の目的を共同で最適化するエージェントロバストネスの生成について検討する。 MoFlowはさまざまな好みに最適化されている。 数学、コード、質問応答にまたがる6つのベンチマークにおいて、MoFlowを6つの強いベースラインに対して評価する。
• 参考スコア（独自算出の注目度）: 27.394134245605315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the generation of agentic workflows that jointly optimize multiple objectives, such as accuracy, cost, latency, robustness, and consistency. Existing methods for workflow generation typically optimize accuracy alone or a weighted sum of objectives, so each trained generator commits to one fixed trade-off and must be retrained from scratch when preferences change. To alleviate this, we propose MoFlow, which generates workflows optimized across varied preferences. Specifically, MoFlow formulates workflow generation as a multi-objective Markov decision process and solves it by leveraging Convex-Hull Monte Carlo Tree Search with optimistic set-valued backups, where every node stores a set of reachable trade-offs rather than one weighted score. A single search thus approximately covers the Pareto front, from which MoFlow can return a workflow for any preference by lookup without retraining. We evaluate MoFlow against six strong baselines on six benchmarks spanning mathematics, code, and question answering. Since the baselines are single-scalar optimizers by design, an apples-to-apples comparison is difficult. We instead adopt an evaluation setup that favors the baselines, in that they are rerun for each testing preference, which MoFlow never sees. Even under this stringent setup, MoFlow achieves the highest average hypervolume.
• Abstract（参考訳）: 精度,コスト,レイテンシ,堅牢性,一貫性など,複数の目的を共同で最適化するエージェントワークフローの生成について検討する。 ワークフロー生成のための既存の方法は通常、精度のみを最適化するか、あるいは目的の重み付けの合計を最適化するので、トレーニングされた各ジェネレータは、1つの固定トレードオフにコミットし、好みが変わったときにスクラッチから再トレーニングする必要がある。 これを軽減するために、さまざまな好みに最適化されたワークフローを生成するMoFlowを提案する。 具体的には、MoFlowはワークフロー生成を多目的マルコフ決定プロセスとして定式化し、Convex-Hull Monte Carlo Tree Searchを楽観的なセット値バックアップで活用することで、各ノードが1つの重み付けスコアではなく、到達可能なトレードオフを格納する。 したがって、単一の検索はParetoのフロントをほぼカバーし、MoFlowは再トレーニングせずにルックアップによって任意の好みのワークフローを返すことができる。 数学、コード、質問応答にまたがる6つのベンチマークにおいて、MoFlowを6つの強いベースラインに対して評価する。 ベースラインは設計によるシングルスカラーオプティマイザであるため、アプティクスとアプティクスの比較は困難である。 代わりに、MoFlowが決して見ることのないテストの好みごとに再実行されるように、ベースラインを好む評価設定を採用しています。 この厳密な設定の下でも、MoFlowは平均的なハイパーボリュームを達成している。

関連論文リスト

• FlowBank: Query-Adaptive Agentic Workflows Optimization through Precompute-and-Reuse [58.80348559239392]
  大規模言語モデル(LLM)ベースのマルチエージェントシステムはますます強力になっている。 タスクレベルのメソッドはかなりのオフライン計算に費やしますが、単一のワークフローのみをデプロイします。 クエリレベルのメソッドは、クエリ毎の新しいワークフローを相当なコストで合成する。 本稿では,ポートフォリオベースのエージェントワークフロー最適化フレームワークであるFlowBankを紹介する。
  論文  参考訳（メタデータ） (2026-06-09T17:58:21Z)
• BayesFlow: A Probability Inference Framework for Meta-Agent Assisted Workflow Generation [12.637030045464693]
  textbfBayesian Generation (BWG)は、並列ルックアヘッドロールアウトを用いて、重要重み付けのためにステップバイステップで構築するサンプリングフレームワークである。 精製器を使わずに、重み付けされた経験分布が対象の後方に収束することを証明する。 BayesFlowは、SOTAワークフロー生成ベースラインで最大9ポイント、ゼロショットプロンプトで最大65ポイントの精度向上を実現している。
  論文  参考訳（メタデータ） (2026-01-29T20:43:20Z)
• Do We Always Need Query-Level Workflows? Rethinking Agentic Workflow Generation for Multi-Agent Systems [72.3575737073235]
  マルチエージェントシステム(MAS)は、複数のエージェントを協調することで複雑なタスクを解決する。 既存のアプローチはタスクレベルかクエリレベルで生成されるが、その相対的なコストと利点は未だ不明である。 クエリレベルのワークフロー生成は必ずしも必要ではない、なぜなら、トップKレベルのタスクレベルの小さなセットが、すでに同等あるいはそれ以上のクエリをカバーしているからだ。
  論文  参考訳（メタデータ） (2026-01-16T10:05:51Z)
• DyFlow: Dynamic Workflow Framework for Agentic Reasoning [79.19799197382478]
  DyFlowは動的ワークフロー生成フレームワークで、タスク要求とリアルタイム中間フィードバックに基づいて推論手順を適応的に構築し、調整する。 社会的推論,生物医学的タスク,数学的問題解決,コード生成など,さまざまな領域でDyFlowを体系的に評価する。 結果は、DyFlowが既存のベースラインを大幅に上回り、Pass@kの改善を実現し、さまざまなドメインにわたって堅牢な一般化を示すことを示した。
  論文  参考訳（メタデータ） (2025-09-30T10:36:23Z)
• ComfyGPT: A Self-Optimizing Multi-Agent System for Comprehensive ComfyUI Workflow Generation [96.44354750396019]
  ComfyGPTはタスク記述に基づいてComfyUIを生成するように設計された自動最適化マルチエージェントシステムである。 FlowDatasetは、13,571のワークフロー記述ペアを含む大規模なデータセットである。 FlowBenchはワークフロー生成システムを評価するためのベンチマークである。
  論文  参考訳（メタデータ） (2025-03-22T06:48:50Z)
• ScoreFlow: Mastering LLM Agent Workflows via Score-based Preference Optimization [51.280919773837645]
  エージェントワークフロー最適化のための高性能フレームワークであるScoreFlowを開発した。 ScoreFlowは、量的フィードバックを考慮に入れた直接選好最適化手法の新たな変種であるScore-DPOを組み込んでいる。 質問応答、コーディング、数学的推論を通じて、既存のベースラインよりも8.2%改善されている。
  論文  参考訳（メタデータ） (2025-02-06T18:47:49Z)
• AFlow: Automating Agentic Workflow Generation [36.61172223528231]
  大規模言語モデル(LLM)は、様々な領域にわたる複雑なタスクを解く上で、顕著な可能性を示している。 我々は、Monte Carlo Tree Searchを使って、この空間を効率的に探索する自動化フレームワークであるAFlowを紹介します。 6つのベンチマークデータセットに対する実証的な評価は、AFlowの有効性を示し、最先端のベースラインよりも平均5.7%向上している。
  論文  参考訳（メタデータ） (2024-10-14T17:40:40Z)
• Flow Network based Generative Models for Non-Iterative Diverse Candidate Generation [110.09855163856326]
  本稿では,アクションのシーケンスからオブジェクトを生成するためのポリシーを学習する問題について述べる。 本稿では,生成過程をフローネットワークとして見たGFlowNetを提案する。 提案した目的の任意のグローバルな最小限が、所望の分布から標本化する方針を導出することを証明する。
  論文  参考訳（メタデータ） (2021-06-08T14:21:10Z)

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。