論文の概要: MAS-Gate: Unlocking Multi-Agent System Lifecycle via Node-Centric Quantification

• arxiv url: http://arxiv.org/abs/2610.17613v1
• Date: Tue, 13 Oct 2026 02:33:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.493149
• Title: MAS-Gate: Unlocking Multi-Agent System Lifecycle via Node-Centric Quantification
• Title（参考訳）: MAS-Gate:ノード中心量子化によるマルチエージェントシステムライフサイクルのアンロック
• Abstract要約: 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 (MAS) は、単一のエージェントの到達範囲を超えた複雑な問題を解くことができる。 我々は,MAS開発と運用を,実行前の設計時オーケストレーション,実行時の実行介入,実行後のポストホック帰属という3段階のライフサイクルとして概念化する。 これらの相にわたって適用可能な統一ノード中心量子化であるMAS-Gateを導入する。
• 参考スコア（独自算出の注目度）: 44.92044673819755
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM)-based multi-agent systems (MAS) can solve complex problems beyond the reach of a single agent by decomposing tasks and coordinating complementary capabilities. Despite extensive research on MAS, existing work largely focuses on specific aspects or individual phases of their development and operation, resulting in fragmented perspectives with objectives and signals that are difficult to reconcile across these different settings. To bridge these disconnected perspectives, we conceptualize MAS development and operation as a three-phase lifecycle spanning design-time orchestration before execution, runtime intervention during execution, and post-hoc attribution after execution, and introduce MAS-Gate, a unified node-centric quantification applicable across these phases. Modeling each execution as a directed acyclic graph, MAS-Gate combines within-node utility, which estimates a node's contribution through changes in reference-answer likelihood, with inter-node strength, which approximates semantic uptake and potential downstream reach. We adapt this shared quantification to three objectives: providing a structure-aware dense reward for Orchestrator training, training an Editor to act on execution prefixes using paired rewards from completed edited and unedited trajectories, and supplying risk-ranked nodes as auxiliary evidence for LLM-based post-hoc attribution. Experiments spanning interaction environments, knowledge-intensive multi-hop question answering, general reasoning, and post-hoc attribution demonstrate that MAS-Gate improves workflow construction, targeted runtime editing, and LLM-assisted error localization over corresponding phase-specific baselines. Together, these results establish MAS-Gate as a unified structural interface for improving MAS generation, dynamic editing, and error attribution throughout the lifecycle.
• 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 (MAS) は、タスクを分解し、補完機能を調整することによって、単一のエージェントの範囲を超えて複雑な問題を解決することができる。 MASに関する広範な研究にもかかわらず、既存の研究は、主に開発と運用の特定の側面や個々のフェーズに焦点を合わせており、その結果、これらの異なる設定をまたぐのが困難である目的や信号による断片化された視点が生まれる。 これらの分離された視点を橋渡しするために、我々はMAS開発と運用を、実行前の設計時オーケストレーション、実行時の実行時介入、実行後のポストホック属性にまたがる3段階のライフサイクルとして概念化し、これらのフェーズにまたがる統一ノード中心の定量化であるMAS-Gateを紹介した。 それぞれの実行を有向非巡回グラフとしてモデル化すると、MAS-Gateはノード内ユーティリティ(英語版)と、ノードのコントリビューションを参照-問合せ可能性の変化を通じて推定するノード間ユーティリティ(英語版)と、セマンティックな取り込みと潜在的下流到達を近似するノード間強度(英語版)を結合する。 我々は,この共有定量化を3つの目的に適応させる。オーケストレータ訓練のための構造対応の高密度報酬の提供,編集済みおよび未編集の軌道からのペア報酬を用いた実行プレフィックスの動作の訓練,LLMに基づくポストホック帰属の補助的証拠としてリスクランクノードの供給。 インタラクション環境,知識集約型マルチホップ質問応答,一般推論,ポストホック属性にまたがる実験により,MAS-Gateがワークフロー構築,ターゲットランタイム編集,LCM支援エラーローカライゼーションを,対応するフェーズ固有のベースライン上で改善することを示した。 これらの結果は,MAS生成,動的編集,エラー帰属をライフサイクルを通じて改善するための統一構造インターフェースとしてMAS-Gateを確立した。

関連論文リスト

• DHCG: Dynamic Construction of Hierarchical Collaboration Graphs for LLM-Based Multi-Agent Reasoning [16.00093837042043]
  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。
  論文  参考訳（メタデータ） (2026-10-06T06:33:40Z)
• MAGIC: Mixed-Granularity Agent Graphs via Incremental Construction with Dense-Reward Reinforcement Learning [15.035587222156414]
  協調トポロジーは、LLMベースのマルチエージェントシステムの性能と実行コストの両方を形作る。 混合粒度グラフ生成のための強化学習フレームワークMAGICを提案する。
  論文  参考訳（メタデータ） (2026-09-22T16:27:46Z)
• Uncovering Understanding-Generation Synergy in Native Unified Multimodal Models: From Representation, Task to System [90.64481646805855]
  統一マルチモーダルモデル(UMM)は、単一のモデル内で視覚的理解と生成を共同で行う。 制御された、構造的にネイティブな環境で、それらの関係を表現、タスク、システムレベルで調査する。 適切な特殊化やタスク知識の共有,エンドツーエンドの最適化など,UMMの価値は統一インターフェースを超えて,共存を相乗効果に転換できることを示す。
  論文  参考訳（メタデータ） (2026-09-01T17:59:59Z)
• Thinking on Shots: Consistent Multi-Shot Video Editing with Agentic Reasoning [56.17582599802973]
  本稿では,MMLVE(Multi-Instruction Multi-Shot Long-Video Editing)タスクを紹介する。 これら3つの課題に対処するために,Large Language Models (LLM) と Vision-Language Models (VLM) を活用したエージェント編集フレームワークを導入する。 我々のMMLVE-Agentは、既存のクローズドソースSOTAアプローチよりも優れています。
  論文  参考訳（メタデータ） (2026-08-27T08:48:13Z)
• Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs [52.26652574704317]
  大規模言語モデル(LLM)はますますチームにデプロイされているが、既存のコーディネーションアプローチは2つの極端な部分を占めることが多い。 本稿では,Language Agent Teams for Task Evolution (LATTE)を紹介した。
  論文  参考訳（メタデータ） (2026-05-07T14:19:17Z)
• Multi-Agent Collaboration via Evolving Orchestration [55.574417128944226]
  大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。 LLMに基づくマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し,タスク状態の進化に応じて,中央集権的なオーケストレータ("puppeteer")がエージェント("puppets")を動的に指示する。 クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2025-05-26T07:02:17Z)

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。