論文の概要: AECG: Asymmetric Experience Consolidation and Governance In Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2610.05176v1
• Date: Sun, 04 Oct 2026 12:38:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 22:53:48.913468
• Title: AECG: Asymmetric Experience Consolidation and Governance In Multi-Agent Systems
• Title（参考訳）: AECG:マルチエージェントシステムにおける非対称体験の統合とガバナンス
• Abstract要約: マルチエージェントシステムは、実行軌跡を再利用可能な手続き的知識に変換するためにメモリに依存している。 記憶の汚染は、時代遅れ、弱い支持、あるいは急激な成功の手順が将来の推論のコンポーネントとして繰り返されるときに起こる。 マルチエージェントシステムのための非対称体験統合とガバナンスのためのフレームワークであるAECGを紹介する。
• 参考スコア（独自算出の注目度）: 10.35108883526886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM)-based multi-agent systems increasingly rely on memory to transform execution trajectories into reusable procedural knowledge. Yet repeated retrieval also makes memory errors persistent: memory pollution arises when outdated, weakly supported, or spuriously successful procedures become recurring components of future reasoning. Multi-agent execution introduces an additional structural risk. Scope collapse occurs when procedural knowledge escapes the coordination scope in which it was shown effective and is repeatedly reused at incompatible decision levels, allowing local errors to influence cascades of downstream decisions. Meanwhile, task-level failures provide ambiguous supervision because they rarely reveal which recalled knowledge was responsible. We introduce AECG, a framework for asymmetric experience consolidation and governance for multi-agent systems. AECG turns memory from static experience storage into a dynamic reliability-governance loop, preserving coordination scope and using multi-scale, confidence-aware reliability to detect degradation. It then combines degradation with downstream impact to prioritize high-risk knowledge under a bounded review budget, applies targeted interventions, and reactivates revised skills only after paired replay. Across three multi-agent frameworks and four benchmarks, AECG achieves the best score in 11 of 12 framework--benchmark settings and improves over the strongest competing memory method by as much as 10.23 percentage points; removing scope preservation reduces accuracy by up to 16.89 points. AECG thereby reframes multi-agent memory from passive accumulation into auditable reliability governance. Code is available at https://github.com/fenhg297/AECG
• Abstract（参考訳）: 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、実行軌跡を再利用可能な手続き的知識に変換するためにメモリに依存している。 メモリ汚染は、時代遅れ、弱いサポート、あるいは突発的に成功した手順が、将来の推論のコンポーネントとして繰り返されるときに起こる。 マルチエージェントの実行には構造上のリスクが伴う。 スコープ崩壊は、手続き的知識が効果的に示される調整範囲から逃れ、非互換な意思決定レベルで繰り返し再利用され、局所的なエラーが下流決定のカスケードに影響を及ぼすことによって起こる。 一方、タスクレベルの失敗は、リコールされた知識が責任を負っているかを明らかにすることは滅多にないため、曖昧な監視を提供する。 マルチエージェントシステムのための非対称体験統合とガバナンスのためのフレームワークであるAECGを紹介する。 AECGはメモリを静的なエクスペリエンスストレージから動的信頼性制御ループに変換し、調整範囲を保ち、マルチスケールで信頼性の高い信頼性を使用して劣化を検出する。 次に、劣化と下流の影響を組み合わせることで、限定されたレビュー予算の下でリスクの高い知識を優先順位付けし、ターゲットとした介入を適用し、ペアによるリプレイ後にのみ、修正されたスキルを再活性化する。 3つのマルチエージェントフレームワークと4つのベンチマークで、AECGはベストスコアを12のフレームワークのうち11のベンチマーク設定で達成し、最強の競合するメモリメソッドを最大10.23ポイント改善した。 これにより、AECGはマルチエージェントメモリを受動的蓄積から監査可能な信頼性管理に再構成する。 コードはhttps://github.com/fenhg297/AECGで入手できる。

関連論文リスト

• What Makes Agent Memory Useful for Reliable Unanswerable Question Handling? [51.58639607746329]
  メモリはエージェントシステムで広く使われているが、信頼性の高いUAQ処理におけるその役割は未だ不明である。 本稿では,統一エージェントRAGフレームワークによるUAQ処理のためのエージェントメモリの体系的研究を行う。 メモリはいくつかの設定でUAQ性能を改善することができるが、そのような利得は普遍的ではなく選択的であり、データセットシフト時にも脆弱である。
  論文  参考訳（メタデータ） (2026-08-28T05:00:28Z)
• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• The Compliance Trap: Diagnosing How AI Agents Consume Conflicting Memory [9.041305193333434]
  メモリは、長年にわたるAIエージェントの中核的なコンポーネントになりつつある。これにより、エージェントは、Webブラウザやソフトウェアツール、その他のインタラクティブな環境を操作する際に、過去の経験を再利用することができる。 既存の作業は、主にメモリを供給問題として扱い、どのエクスペリエンスを書くか、どのように保存するか、どのエントリを次のタスクに取得するかを尋ねる。 しかし、モデルが取得したメモリをどのように消費するかについては、まだ明確な説明がありません。
  論文  参考訳（メタデータ） (2026-07-12T07:05:31Z)
• Episodic Memory Temporal Consistency for Cooperative Multi-Agent Reinforcement Learning [17.62926868585848]
  MARL(Cooperative Multi-Agent Reinforcement Learning)は、しばしば重度の報酬の分散と探索ボトルネックに悩まされる。 本稿では,歴史的経験をしっかりと構築し,選択的に活用するフレームワークであるEMTC(Epsodic Memory Temporal Consistency)を提案する。 EMTCは、超硬度SMACシナリオで最大24%の絶対勝利率改善を実現し、GRFタスク全体で平均28%の改善を実現している。
  論文  参考訳（メタデータ） (2026-06-03T06:15:39Z)
• MemEvoBench: Benchmarking Memory MisEvolution in LLM Agents [78.95081012334116]
  永続メモリを持つ大規模言語モデル(LLM)は、相互作用の継続性とパーソナライゼーションを高めるが、新たな安全性リスクをもたらす。 汚染または偏りのある記憶蓄積は、異常な作用を引き起こす可能性がある。 MemeEvoBenchは、LLMエージェントのメモリ安全性を評価する最初のベンチマークである。
  論文  参考訳（メタデータ） (2026-04-17T07:29:52Z)
• AI Agents Need Memory Control Over More Context [0.0]
  そこで本研究では,書き起こしのリプレイを,各ターンにオンライン更新された有界な内部状態に置き換えるバイオインスパイアされたメモリコントローラを提案する。 ACCは境界メモリを一貫して維持し、より安定したマルチターン動作を示す。 その結果,認知的圧縮は,長期的AIエージェントにおいて,信頼性の高い記憶制御のための実用的で効果的な基礎を提供することが示された。
  論文  参考訳（メタデータ） (2026-01-15T18:01:59Z)
• Bilevel Optimization for Covert Memory Tampering in Heterogeneous Multi-Agent Architectures (XAMT) [0.0]
  マルチエージェントシステム(MAS)は本質的に異種であり、従来のマルチエージェント強化学習(MARL)とLLM(Large Language Model)エージェントアーキテクチャを統合する。 MARLの共有エクスペリエンス再生(ER)バッファとRAGエージェントの外部知識ベース(K)である。 本稿では,XAMT (Bilevel Optimization for Covert Memory Tampering in Heterogeneous Multi-Agent Architectures) を提案する。
  論文  参考訳（メタデータ） (2025-12-15T23:04:48Z)
• Metacognitive Self-Correction for Multi-Agent System via Prototype-Guided Next-Execution Reconstruction [58.51530390018909]
  大規模言語モデルに基づくマルチエージェントシステムは、協調的な問題解決において優れているが、エラーのカスケードには脆弱である。 我々は,MASにリアルタイム,教師なし,ステップレベルの誤り検出と自己補正を付与するメタ認知フレームワークMASCを提案する。
  論文  参考訳（メタデータ） (2025-10-16T05:35:37Z)
• Agent KB: Leveraging Cross-Domain Experience for Agentic Problem Solving [62.71545696485824]
  我々は,異種エージェントフレームワーク間のシームレスな体験共有を可能にするユニバーサルメモリ基盤であるAgent KBを紹介した。 Agent KBはトラジェクトリを構造化知識ベースに集約し、軽量APIを提供する。 我々は,GAIA,Humanity's Last Exam,GPQA,SWE-benchなどの主要フレームワークにまたがるエージェントを検証した。
  論文  参考訳（メタデータ） (2025-07-08T17:59:22Z)
• Transferable, Controllable, and Inconspicuous Adversarial Attacks on Person Re-identification With Deep Mis-Ranking [83.48804199140758]
  システム出力のランキングを乱す学習とミスランクの定式化を提案する。 また,新たなマルチステージネットワークアーキテクチャを開発することで,バックボックス攻撃を行う。 そこで本手法では, 異なるマルチショットサンプリングにより, 悪意のある画素数を制御することができる。
  論文  参考訳（メタデータ） (2020-04-08T18:48:29Z)

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。