論文の概要: Sequential Probabilistic Uncertainty Estimation for Parallel Multi-Agent Reasoning Systems
- arxiv url: http://arxiv.org/abs/2610.08901v1
- Date: Tue, 06 Oct 2026 17:58:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.529324
- Title: Sequential Probabilistic Uncertainty Estimation for Parallel Multi-Agent Reasoning Systems
- Title（参考訳）: 並列マルチエージェント推論システムの逐次確率的不確かさ推定
- Abstract要約: この研究は並列マルチエージェント推論システムに焦点をあて、複数のエージェントが複数のラウンドで同じ問題を解き、最終的な答えに出力を集約する。
我々は,MASの不確かさを潜在システムレベルの信念に対する逐次推論として定式化する,軽量でトレーニング不要な不確実性推定器であるSAUCEを提案する。
5つのバックボーン、5つのベンチマーク、2つのMASプロトコルにまたがって、SAUCEは幅広い不確実性推定ベースラインに対する誤分類検出、選択的予測、校正を改善している。
- 参考スコア（独自算出の注目度）: 33.91812151333267
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: LLM-based multi-agent systems (MAS) have attracted growing attention for improving reasoning through interaction among multiple agents. In this work, we focus on parallel multi-agent reasoning systems, where several agents solve the same problem over multiple rounds and aggregate their outputs into a final answer. Despite their strong reasoning performance, uncertainty estimation for such systems remains underexplored: the reliability of a MAS depends not only on individual generations, but also on how agents interact and evolve across rounds. We propose SAUCE (Sequential Agent Uncertainty through Consensus Evolution), a lightweight, training-free uncertainty estimator that formulates MAS uncertainty as sequential inference over a latent system-level belief. SAUCE aggregates round-level agreement and generation-uncertainty signals through a filtering-style update. Across five backbones, five benchmarks, and two MAS protocols, SAUCE improves misclassification detection, selective prediction, and calibration over a broad set of uncertainty estimation baselines, including standard log-likelihood-based methods and MAS-specific estimators.
- Abstract（参考訳）: LLMベースのマルチエージェントシステム(MAS)は、複数のエージェント間の相互作用を通じて推論を改善することで注目を集めている。
本研究では,複数のエージェントが複数のラウンドで同じ問題を解く並列マルチエージェント推論システムに着目し,その出力を最終解に集約する。
MASの信頼性は、個々の世代だけでなく、エージェントがラウンド間でどのように相互作用し、どのように進化するかにも依存する。
我々は,MASの不確かさを潜在システムレベルの信念に対する逐次推論として定式化する軽量でトレーニング不要な不確実性推定器であるSAUCE(Sequential Agent Uncertainty through Consensus Evolution)を提案する。
SAUCEは、フィルタリングスタイルの更新を通じて、ラウンドレベルのアグリーメントとジェネレーション不確実性信号を集約する。
5つのバックボーン、5つのベンチマーク、2つのMASプロトコルにおいて、SAUCEは、標準的なログライクリフ法やMAS固有の推定器を含む、幅広い不確実性推定ベースラインに対する誤分類検出、選択的予測、校正を改善している。
関連論文リスト
- PropUQ-MAS: Propagation-Aware Uncertainty Quantification for LLM Multi-Agent Systems [8.348628811300268]
PropUQ-MASはマルチエージェントシステムのためのエラー伝搬対応UQフレームワークである。
上流メッセージから受け継いだローカル不確実性と不確実性を組み合わせることで、各ステップの信頼性を推定する。
PropUQ-MASはMASのUQを継続的に改善し、平均相対利得はAUROCで+6.10%、PRRで+47.58%である。
論文 参考訳（メタデータ） (2026-08-22T23:07:39Z) - From Sequence to Structure: Relational Uncertainty Propagation for LLM Agents [75.69180947909148]
大規模言語モデル(LLM)エージェントのためのトラジェクトリレベルのUQフレームワークを提案する。
RuPAは、推論状態、ツールインタラクション、環境フィードバックが時間的およびセマンティックな依存関係エッジで接続されたノードである、指向的なトラジェクトリグラフとして実行履歴を表現している。
我々は,複数のモデルファミリにまたがる6つのオープンソースLCMを用いて,代用エージェントベンチマーク($2, Terminal-Bench-2, GAIA)でRUPAを評価した。
論文 参考訳（メタデータ） (2026-08-17T01:40:14Z) - Semantic Uncertainty-Guided Orchestration in Hierarchical Multi-Agent Systems [11.562923882714095]
本稿では,意味的不確実性を考慮したオーケストレーション手法HASSUMを提案する。
セマンティックエントロピーとセマンティック密度を用いて不確実性を推定し、これは出力確率ではなく、回答セマンティクスのレベルで信頼を測定する。
このアプローチは特定のエージェントアーキテクチャとは独立して動作するため、広範囲の階層的および協調的なマルチエージェントシステムに統合することができる。
論文 参考訳（メタデータ） (2026-08-11T03:55:53Z) - The Value of Variance: Mitigating Debate Collapse in Multi-Agent Systems via Uncertainty-Driven Policy Optimization [11.251743031610646]
マルチエージェント討論(MAD)システムは反復的な議論を通じて推論を改善するが、議論の崩壊には弱いままである。
既存の方法には、そのような障害を検知または防止するための原則的なメカニズムが欠如している。
本稿では,エージェント内(個人的推論の不確実性),エージェント間(対話的不確実性),システムレベル(出力不確実性)の3つのレベルにおいて,行動の不確実性を測定する階層的尺度を提案する。
論文 参考訳（メタデータ） (2026-02-06T20:41:49Z) - Active Asymmetric Multi-Agent Multimodal Learning under Uncertainty [15.933557806106071]
不確実性下でのアクティブ非対称マルチエージェントマルチモーダル学習(A2MAML)を提案する。
A2MAMLは、不確実性を認識し、モダリティレベルのコラボレーションのための原則化されたアプローチである。
共同事故検出のための接続された自律走行シナリオの実験は、A2MAMLがシングルエージェントとコラボレーティブベースラインの両方を一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2026-02-04T17:01:31Z) - Agentic Uncertainty Quantification [76.94013626702183]
本稿では,言語化された不確実性をアクティブな双方向制御信号に変換する統合されたデュアルプロセスエージェントUQ(AUQ)フレームワークを提案する。
システム1(Uncertainty-Aware Memory, UAM)とシステム2(Uncertainty-Aware Reflection, UAR)は、これらの説明を合理的な手段として利用し、必要な時にのみターゲットの推論時間解決をトリガーする。
論文 参考訳（メタデータ） (2026-01-22T07:16:26Z) - Dual Ensembled Multiagent Q-Learning with Hypernet Regularizer [62.01554688056335]
マルチエージェント設定における過大評価は、比較的ほとんど注目されていない。
本稿では,超ネットワーク重みとバイアスに関する新しいハイパーネット正規化器を提案し,オンライングローバルQ-ネットワークの最適化を制約し,過大な推定の蓄積を防止する。
論文 参考訳（メタデータ） (2025-02-04T05:14:58Z) - SAUP: Situation Awareness Uncertainty Propagation on LLM Agent [52.444674213316574]
大規模言語モデル(LLM)は多段階エージェントシステムに統合され、様々なアプリケーションにまたがる複雑な意思決定プロセスを可能にする。
既存の不確実性推定手法は主に最終段階の出力に重点を置いており、これは多段階決定プロセスにおける累積的不確実性やエージェントとその環境間の動的相互作用を考慮できない。
LLMエージェントの推論プロセスの各ステップを通じて不確実性を伝播する新しいフレームワークであるSAUPを提案する。
論文 参考訳（メタデータ） (2024-12-02T01:31:13Z) - Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。
我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。
提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
論文 参考訳（メタデータ） (2022-07-11T21:17:41Z)
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。