論文の概要: DHCG: Dynamic Construction of Hierarchical Collaboration Graphs for LLM-Based Multi-Agent Reasoning

• arxiv url: http://arxiv.org/abs/2610.07835v1
• Date: Tue, 06 Oct 2026 06:33:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.846586
• Title: DHCG: Dynamic Construction of Hierarchical Collaboration Graphs for LLM-Based Multi-Agent Reasoning
• Title（参考訳）: DHCG:LLMに基づくマルチエージェント推論のための階層的協調グラフの動的構築
• Abstract要約: 動的階層的な協調グラフを構築するために3つのモジュール(Planner,Worker,Generator)を協調する新しいフレームワークであるDHCGを提案する。 フィードバックによってガイドされた各ステップにおいて、プランナーは、現在の推論ニーズに合わせた、独立した補完的な役割のセットを生成する。 DHCGは比較手法の最先端平均性能を達成し、シングルエージェントベースラインを13.06ポイント改善し、静的および動的MASベースラインを2.77-8.02ポイント改善した。
• 参考スコア（独自算出の注目度）: 16.00093837042043
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM-based multi-agent systems (MAS) have demonstrated strong capabilities in solving complex problems across diverse domains. Recently, the dynamic orchestration of agent systems has become an important research direction. However, existing methods suffer from limited composition, misaligned dependencies, and inflexible scale, restricting their ability to adapt to reasoning requirements during execution. To address these limitations, we reframe MAS design as a partially observable Markov decision process, in which both the composition and scale of the MAS are dynamically determined. We propose DHCG, a novel framework that coordinates three modules (Planner, Worker, and Generator) to progressively construct a dynamic hierarchical collaboration graph from scratch based on the query and evolving execution feedback. At each step, guided by feedback, the Planner generates a set of distinct and complementary roles tailored to the current reasoning needs and selectively routes relevant information to each role. It can also finalize the hierarchical collaboration graph early or progressively expand it when additional reasoning is required. We further introduce action-aware preference optimization to train the Planner to make more effective decisions when constructing hierarchical collaboration graphs. We systematically evaluate DHCG across code generation, mathematical reasoning, and domain-specific reasoning benchmarks. DHCG achieves state-of-the-art average performance among the compared methods, improving over the single-agent baseline by 13.06 points and outperforming both static and dynamic MAS baselines by 2.77-8.02 points. Additional experiments further demonstrate its generalization across different Planner backbones and unseen Worker models.
• Abstract（参考訳）: LLMベースのマルチエージェントシステム(MAS)は、様々な領域にまたがる複雑な問題を解決する強力な能力を示している。 近年,エージェントシステムの動的オーケストレーションが重要な研究方向となっている。 しかし、既存のメソッドは構成の制限、依存関係の不整合、スケールの柔軟性に悩まされ、実行中に推論要求に適応する能力が制限される。 これらの制約に対処するため、MAS設計を部分的に観測可能なマルコフ決定プロセスとして再設計し、MASの構成とスケールを動的に決定する。 DHCGは3つのモジュール(Planner、Worker、Generator)を協調して、クエリと実行フィードバックの進化に基づいて、スクラッチから動的階層的な協調グラフを段階的に構築する新しいフレームワークである。 フィードバックによってガイドされた各ステップにおいて、プランナーは、現在の推論要求に合わせた、独立した補完的なロールのセットを生成し、関連する情報を各ロールに選択的にルーティングする。 新たな推論が必要な場合には、階層的なコラボレーショングラフを早期あるいは段階的に拡張することも可能です。 さらに、階層的な協調グラフを構築する際に、より効果的な決定を行うようにプランナーを訓練するためにアクション対応の選好最適化を導入する。 DHCGをコード生成、数学的推論、ドメイン固有の推論ベンチマークで体系的に評価する。 DHCGは比較手法の最先端平均性能を達成し、シングルエージェントベースラインを13.06ポイント改善し、静的および動的MASベースラインを2.77-8.02ポイント改善した。 さらに別の実験では、異なるプランナーバックボーンと見えないWorkerモデルにまたがる一般化が示されている。

関連論文リスト

• Scaling Behavior of Single LLM-Driven Multi-Agent Systems [5.2324118961669575]
  マルチエージェントシステム(MAS)は、協調的な知性によって複雑なタスクに取り組むことを約束する。 本稿では, エージェント数の増加に伴い, 均質MASの性能がどう進化するかを系統的に検討する。
  論文  参考訳（メタデータ） (2026-05-30T09:57:49Z)
• OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
  マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。 現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。 自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
  論文  参考訳（メタデータ） (2026-01-19T12:23:44Z)
• Designing Domain-Specific Agents via Hierarchical Task Abstraction Mechanism [61.01709143437043]
  階層型タスク抽象化機構(HTAM)を中心とした新しいエージェント設計フレームワークを提案する。 具体的には、HTAMは、社会的役割のエミュレーションを超えて、代わりに、複数のエージェントシステムを、あるドメインの固有のタスク依存グラフを反映する論理階層に構造化する。 我々は、複雑な地理空間解析に適したマルチエージェントシステムであるEarthAgentとして、このフレームワークをインスタンス化する。
  論文  参考訳（メタデータ） (2025-11-21T12:25:47Z)
• DecoupleSearch: Decouple Planning and Search via Hierarchical Reward Modeling [56.45844907505722]
  二重値モデルを用いて計画と探索プロセスを分離するフレームワークであるDecoupleSearchを提案する。 提案手法は,各ノードが計画と探索のステップを表す推論木を構築する。 推論中、階層的ビームサーチは、計画と探索候補を二重値モデルで反復的に洗練する。
  論文  参考訳（メタデータ） (2025-09-07T13:45:09Z)
• 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)
• Comparative Analysis of AI Agent Architectures for Entity Relationship Classification [1.6887793771613606]
  本研究では,3つの異なるAIエージェントアーキテクチャの比較分析を行い,関係分類を行う。 エージェントアーキテクチャは,(1)反射的自己評価,(2)階層的タスク分解,(3)新しいマルチエージェント動的サンプル生成機構を含む。 実験により,マルチエージェントの協調が標準のショットプロンプトより一貫して優れていることが実証された。
  論文  参考訳（メタデータ） (2025-06-03T04:19:47Z)

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。