論文の概要: Efficient Multi-Agent Reasoning via Confidence-Guided Adaptive Debate
- arxiv url: http://arxiv.org/abs/2610.16343v1
- Date: Mon, 12 Oct 2026 08:02:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.332022
- Title: Efficient Multi-Agent Reasoning via Confidence-Guided Adaptive Debate
- Title（参考訳）: 信頼誘導型アダプティブ・ディベートによる効率的なマルチエージェント推論
- Abstract要約: LASE(Lead-Adaptive Structured Engagement)は,非中立体制下でのみ対話を選択的に行う,リーダ中心のマルチエージェント討論フレームワークである。
様々な推論ベンチマークによる実験から、LASEはシングルエージェントトークンのコストに近いマルチエージェントレベルのパフォーマンスを実現している。
- 参考スコア（独自算出の注目度）: 16.719604686260592
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-agent debate has shown promise for improving the reasoning of large language models, yet recent theory suggests its benefits are highly regime-dependent. While interaction can amplify informative signals under corrective conditions, symmetric debate dynamics are neutral in expectation, often making majority voting preferable. We reconcile these views by arguing that debate is effective only when invoked at the right time and with appropriate structure. Based on this insight, we propose LASE: Leader-Adaptive Structured Engagement, a leader-centric multi-agent debate framework that selectively engages interaction only in non-neutral regimes. LASE introduces an asymmetric leader-supporter architecture that enables directed information flow and selective signal amplification, while defaulting to simple aggregation otherwise. Experiments across diverse reasoning benchmarks show that LASE achieves multi-agent-level performance with near single-agent token cost, substantially improving efficiency over static debate and voting baselines.
- Abstract（参考訳）: マルチエージェントの議論は、大きな言語モデルの推論を改善するという約束を示しているが、最近の理論は、その利点が極めて状況に依存していることを示唆している。
相互作用は、正当性のある条件下で情報伝達信号を増幅するが、対称的議論のダイナミクスは期待では中立であり、多数決が好まれる。
議論は適切なタイミングで、適切な構造で実行された場合にのみ有効であると議論することで、これらの見解を整理する。
この知見に基づき、我々はLASE: Leader-Adaptive Structured Engagementを提案する。
LASEは非対称なリーダー・サポーターアーキテクチャを導入し、単純なアグリゲーションをデフォルトにしつつ、指向的な情報フローと選択的な信号増幅を可能にする。
様々な推論ベンチマークによる実験により、LASEはシングルエージェントトークンのコストに近いマルチエージェントレベルのパフォーマンスを実現し、静的な議論や投票ベースラインよりも効率を大幅に向上することが示された。
関連論文リスト
- Meta-Moderator: Empowering Multi-Agent Debate with Meta-Cognition [18.85069182811407]
我々は、メタ認知プロセスとしてモデレーションを、議論ユーティリティを監視し、熟考を制御し、最終回答を判断する。
本稿ではメタモデレータについて紹介する。メタモデレータは動的に議論を規制し、いつ回答を確定するかを決定する学習可能なフレームワークである。
論文 参考訳（メタデータ） (2026-08-24T09:33:53Z) - Multi-Branch Policy Optimization for Multimodal Large Language Models [21.856599797665833]
マルチモーダルな大規模言語モデルに対するグループベース強化学習法は、トラジェクトリレベルの信用代入に依存している。
マルチモーダル推論は、テキストのみの設定よりも知覚の不確実性が高い。
視覚言語決定境界における推論木を構築する木ベースのフレームワークであるMulti-Branch Policy Optimization (MBPO)を提案する。
論文 参考訳（メタデータ） (2026-08-05T04:00:09Z) - Debate to Align: Reliable Entity Alignment through Two-Stage Multi-Agent Debate [13.025981335381637]
我々はマルチエージェントの議論に基づく信頼できるEAフレームワークであるAgentEAを提案する。
AgentEAはエンティティ表現の優先順位最適化を通じて埋め込み品質を改善する。
次に、軽量な議論検証と深い議論アライメントからなる2段階のマルチロール討論機構を導入する。
論文 参考訳（メタデータ） (2026-04-15T06:54:27Z) - Heterogeneous Consensus-Progressive Reasoning for Efficient Multi-Agent Debate [58.675713546748305]
マルチエージェント・ディベート(英: Multi-Agent Debate、MAD)は、複数のエージェントが推論および反復的批判サイクルの生成を通じて、反復的にソリューションを洗練する協調的なフレームワークである。
本研究は,HCP-MADのための不均一なコンセンサス・プログレッシブ推論を導入する。
HCP-MADは3段階のプログレッシブ推論機構を用いて、様々なタスク複雑度にまたがる適応的なソリューションを開発する。
論文 参考訳（メタデータ） (2026-04-03T06:58:59Z) - Hear Both Sides: Efficient Multi-Agent Debate via Diversity-Aware Message Retention [31.583055847273826]
Multi-Agent Debateは、大規模言語モデルの推論品質を改善するための有望なフレームワークとして登場した。
現在のアプローチは、放送前の低信頼応答をフィルタする不確実性推定に依存している。
本稿では,エージェント応答のサブセットを選択する軽量な討論フレームワークであるDiversity-Aware Retention (DAR)を提案する。
論文 参考訳（メタデータ） (2026-03-21T04:27:47Z) - Prepare Reasoning Language Models for Multi-Agent Debate with Self-Debate Reinforcement Learning [49.99694105650486]
自己決定強化学習(Self-Debate Reinforcement Learning, SDRL)は、強力な問題解決能力を持つ単一の大規模言語モデルを備えたトレーニングフレームワークである。
我々は,SDRLが単一モデル推論を同時に強化しつつ,総合的マルチエージェント議論(MAD)性能を向上させることを示す。
論文 参考訳（メタデータ） (2026-01-29T20:21:44Z) - DynaDebate: Breaking Homogeneity in Multi-Agent Debate with Dynamic Path Generation [47.62978918069135]
DynaDebate (Dynamic Multi-Agent Debate) を導入し,3つのキーメカニズムによるマルチエージェント討論の有効性を高める。
大規模な実験により、DynaDebateは既存の最先端のMADメソッドを超越して、様々なベンチマークで優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-01-09T12:01:33Z) - Multi-Agent Debate for LLM Judges with Adaptive Stability Detection [46.67172123607961]
エージェントが協調して判断し、反復的に応答を洗練するマルチエージェントの議論判断フレームワークを提案する。
議論の過程を数学的に定式化し、エージェントの相互作用を分析し、議論が静的アンサンブルと比較して正確さを増幅することを証明する。
複数のベンチマークやモデルを用いた実験により,本フレームワークは計算効率を維持しつつ,多数決よりも判定精度を向上させることが示された。
論文 参考訳（メタデータ） (2025-10-14T16:30:30Z) - MADIAVE: Multi-Agent Debate for Implicit Attribute Value Extraction [52.89860691282002]
インプシット属性値抽出(AVE)は、電子商取引における商品の正確な表現に不可欠である。
マルチモーダル大言語モデル(MLLM)の進歩にもかかわらず、多次元データの複雑さのため暗黙のAVEは依然として困難である。
我々は,複数のMLLMエージェントを用いて推論を反復的に洗練するマルチエージェント討論フレームワークであるtextscmodelnameを紹介する。
論文 参考訳（メタデータ） (2025-10-07T06:27:42Z) - STARec: An Efficient Agent Framework for Recommender Systems via Autonomous Deliberate Reasoning [54.28691219536054]
我々は、自律的な熟考的推論機能を備えたレコメンデータシステムを支援する、ゆっくり考えられた拡張エージェントフレームワークSTARecを紹介する。
我々は,先進的推論モデルと嗜好整合型報酬形成から構造化知識の蒸留を組み合わせた2段階のパラダイムであるアンカー強化訓練を開発する。
MovieLens 1MとAmazon CDsベンチマークの実験では、STARecは最先端のベースラインと比較して、大幅なパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2025-08-26T08:47:58Z) - Debate Only When Necessary: Adaptive Multiagent Collaboration for Efficient LLM Reasoning [8.800516398660069]
大規模言語モデル(LLM)の推論能力を高めるための,有望なフレームワークとして,マルチエージェントコラボレーションが登場した。
本稿では,エージェントの初期応答の信頼性スコアに基づいて,議論を選択的に活性化する適応型マルチエージェント討論フレームワークであるDebate Only When Necessary (DOWN)を提案する。
ダウンは最大6倍の効率向上を実現し、既存のメソッドのパフォーマンスを保留する。
論文 参考訳（メタデータ） (2025-04-07T13:17:52Z)
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。