Fugu-MT 論文翻訳(概要): Federated Agent Optimization

論文の概要: Federated Agent Optimization

arxiv url: http://arxiv.org/abs/2610.01195v1
Date: Thu, 01 Oct 2026 07:06:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-03 01:19:23.95831
Title: Federated Agent Optimization
Title（参考訳）: フェデレートエージェント最適化
Abstract要約: 大規模言語モデル(LLM)エージェントは、ますますプライベート環境で運用されるようになっている。しかし、そのようなエクスペリエンスは組織に分散しており、プライバシとプロプライエタリな制約のために直接共有することはできない。エージェント機能は、モデルパラメータからメモリ、ツール、報酬、スキル、構造化知識まで拡張されるため、この設定では従来の連合学習は不十分である。
参考スコア（独自算出の注目度）: 26.845979277224682
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Large language model (LLM) agents increasingly operate in private environments and accumulate valuable experience from task execution, tool use, feedback, and local knowledge. Yet such experience is distributed across organizations and cannot be directly shared because of privacy and proprietary constraints. Conventional federated learning is insufficient for this setting, as agent capabilities extend beyond model parameters to memory, tools, rewards, skills, and structured knowledge. In this paper, we formulate \textbf{Federated Agent Optimization (FAO)}, which studies how distributed agents can collaboratively improve through controlled information exchange while keeping raw data, complete trajectories, and private knowledge local. We define FAO as a multi-objective problem balancing agent utility, privacy leakage, and communication cost, and organize its optimization space across policy, memory, tool use, reward, and structured knowledge and skills. We further characterize how private experience can be abstracted, protected, aggregated, and adapted into transferable capabilities, providing a unified view of how agents can benefit from one another without direct experience sharing. Finally, we identify the key challenges of FAO and outline several promising directions for future research toward trustworthy federated agent systems.
Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、ますますプライベート環境で運用され、タスクの実行、ツールの使用、フィードバック、ローカル知識から貴重な経験を蓄積する。しかし、そのようなエクスペリエンスは組織に分散しており、プライバシとプロプライエタリな制約のために直接共有することはできない。エージェント機能は、モデルパラメータからメモリ、ツール、報酬、スキル、構造化知識まで拡張されるため、この設定では従来の連合学習は不十分である。本稿では, 分散エージェントが生データ, 完全な軌跡, プライベート知識をローカルに保持しながら, 制御された情報交換を通じて協調的に改善する方法について, FAO(textbf{Federated Agent Optimization)を定式化する。 FAOを多目的問題分散エージェントユーティリティ,プライバシリーク,通信コストと定義し,ポリシ,メモリ,ツール使用,報酬,構造化知識とスキルをまたいだ最適化空間を整理する。プライベートエクスペリエンスを抽象化し、保護し、集約し、トランスファー可能な機能に適合させる方法をさらに特徴付けます。最後に、FAOの重要な課題を特定し、信頼性の高い連合エージェントシステムに向けた今後の研究の方向性を概説する。

関連論文リスト

From Profiling to Synthesis: Benchmarking Implicit Behavioral Alignment in Personalized LLM Agents [56.187590188698955]
大規模言語モデルは、ますます有能な自律エージェントを可能にしてきたが、そのようなエージェントを実用的に有効にするためには、パーソナライズが不可欠である。最近のベンチマークではエージェントのパーソナライゼーションの評価が始まっているが、それらは主に静的な選好スナップショット、固定されたインタラクションログ、あるいは事前に定義されたユーザプロファイルに対する質問応答に依存している。縦断的相互作用履歴から構築した暗黙的行動アライメントのベンチマークであるIBA-Benchを紹介する。 IBA-Agentは、広範囲な検索と軌道レベルのアライメントを通じて競合する優先順位を調整するエージェントフレームワークである。
論文参考訳（メタデータ） (2026-08-03T12:52:04Z)
RELIC: Revealed Principles for Learning Interpretable Composable Skills in Multi-Agent Planning [7.65208750022325]
RELICは、明らかにされた原則を通じて解釈可能で構成可能なスキルを学ぶためのフレームワークである。本稿では,解釈可能な,構成可能なスキルを学ぶためのフレームワークであるRELICを紹介する。
論文参考訳（メタデータ） (2026-07-18T10:08:54Z)
Towards trustworthy agentic AI: a comprehensive survey of safety, robustness, privacy, and system security [57.35851886874902]
エージェントAIシステムは、複雑なタスクを自律的に実行するが、その多段階の軌道には、信頼性に挑戦する新たな障害モードが導入されている。この調査では、リスクの高いデプロイメントに不可欠な2つのコアディメンションを通じて、信頼できるエージェントAIを精査する。各次元について、重要な概念を明確にし、エージェントワークフローに沿ってリスクが発生する場所を特定し、ステージ目標の緩和戦略を要約する。
論文参考訳（メタデータ） (2026-05-17T10:26:37Z)
Information-Theoretic Privacy Control for Sequential Multi-Agent LLM Systems [5.100622189286672]
逐次マルチエージェント大規模言語モデル (LLM) システムにおいて, 偶発的プライバシー漏洩について検討する。そこで本研究では,エージェント出力とエージェントローカル依存変数間の情報フローを直接制約する,プライバシ規則化されたトレーニングフレームワークを提案する。
論文参考訳（メタデータ） (2026-02-13T18:23:03Z)
Towards Verifiably Safe Tool Use for LLM Agents [53.55621104327779]
大規模言語モデル(LLM)ベースのAIエージェントは、データソース、API、検索エンジン、コードサンドボックス、さらにはその他のエージェントなどのツールへのアクセスを可能にすることで、機能を拡張する。 LLMは意図しないツールインタラクションを起動し、機密データを漏洩したり、クリティカルレコードを上書きしたりするリスクを発生させる。モデルベースセーフガードのようなリスクを軽減するための現在のアプローチは、エージェントの信頼性を高めるが、システムの安全性を保証することはできない。
論文参考訳（メタデータ） (2026-01-12T21:31:38Z)
SPARK: Search Personalization via Agent-Driven Retrieval and Knowledge-sharing [0.9694940903078657]
SPARK(Search Personalization via Agent-Driven Retrieval and Knowledge-sharing)は、コーディネートされたペルソナベースの大規模言語モデル(LLM)エージェントがタスク固有の検索と創発的なパーソナライゼーションを提供するフレームワークである。 SPARKは役割、専門知識、タスクコンテキスト、ドメインによって定義されたペルソナ空間を形式化し、最も関連性の高い特殊エージェントを活性化するために、受信クエリを動的に解釈するペルソナコーディネータを導入する。エージェント間のコラボレーションは、共有メモリリポジトリ、反復的議論、リレースタイルの知識伝達など、構造化された通信プロトコルによって促進される。
論文参考訳（メタデータ） (2025-12-30T06:09:12Z)
Enabling Personalized Long-term Interactions in LLM-based Agents through Persistent Memory and User Profiles [0.4885400580268118]
大規模言語モデル(LLM)はAIエージェントの中央制御ユニットとしての役割を担っている。本稿では、パーソナライズされた長期的なインタラクションを実現するために、永続メモリ、動的コーディネーション、自己検証、およびユーザプロファイルの進化を統合するフレームワークを提案する。
論文参考訳（メタデータ） (2025-10-09T08:22:16Z)
WebSailor-V2: Bridging the Chasm to Proprietary Agents via Synthetic Data and Scalable Reinforcement Learning [73.91893534088798]
WebSailorは、この重要な機能を組み込むように設計された、完全なポストトレーニング方法論である。我々のアプローチは、構造化サンプリングと情報難読化によって、新しい、不確実なタスクを生成することである。 WebSailorは複雑な情報検索タスクにおいて、すべてのオープンソースエージェントを著しく上回る。
論文参考訳（メタデータ） (2025-09-16T17:57:03Z)
Agentic Knowledgeable Self-awareness [79.25908923383776]
KnowSelfはデータ中心のアプローチで、人間のような知識のある自己認識を持つエージェントを応用する。我々の実験により、KnowSelfは、外部知識を最小限に使用して、様々なタスクやモデルにおいて、様々な強力なベースラインを達成できることが実証された。
論文参考訳（メタデータ） (2025-04-04T16:03:38Z)
Task-agnostic Decision Transformer for Multi-type Agent Control with Federated Split Training [34.80971707794908]
Federated Split Decision Transformer (FSDT)は、AIエージェント決定タスク用に明示的に設計された革新的なフレームワークである。 FSDTフレームワークは、トレーニングに分散データを活用することで、パーソナライズされたエージェントの複雑さをナビゲートする。本研究は、分散オフライン強化学習データを効果的に活用し、強力なマルチタイプエージェント決定システムを実現するためのFSDTフレームワークの有効性を裏付けるものである。
論文参考訳（メタデータ） (2024-05-22T08:37:37Z)

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。