論文の概要: From Agents to Edges: Paired Optimization for Multi-Agent Collaboration

• arxiv url: http://arxiv.org/abs/2610.18069v1
• Date: Tue, 13 Oct 2026 09:53:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 07:30:46.695027
• Title: From Agents to Edges: Paired Optimization for Multi-Agent Collaboration
• Title（参考訳）: エージェントからエッジへ:マルチエージェントコラボレーションのためのペア最適化
• Abstract要約: コミュニケーションは、あるエージェントが伝達するものと、別のエージェントが解釈してそれを使用する方法とを一致させなければならない。 Paired Automated Communication Optimization (PACO)を紹介する。 PACOは、ブラックボックス言語モデル上に構築されたシステムにおいて、各エッジの両端での命令と共有通信規約を共同で最適化する。
• 参考スコア（独自算出の注目度）: 11.904562228281591
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Strong individual agents do not guarantee effective collaboration. Communication must align what one agent conveys with how another interprets and uses it. This dependency makes the communication edge a natural unit of optimization. We introduce Paired Automated Communication Optimization (PACO), which jointly optimizes the instructions at both ends of each edge and their shared communication convention in systems built on black-box language models. PACO keeps model weights, agent roles, and workflow topology fixed. A state-aware discounted bandit selects edges for refinement, while execution feedback guides paired revisions evaluated through staged end-to-end execution. The optimized instructions integrate into existing agent prompts without additional model calls at deployment. On a four-agent workflow evaluated across diverse multi-agent benchmarks, PACO consistently outperforms leading prompt-optimization and communication baselines. Configurations learned on HotpotQA retain their advantage in cross-dataset transfer without target-specific optimization. These results demonstrate that optimizing how agents communicate can substantially improve collaboration within an otherwise fixed system.
• Abstract（参考訳）: 強い個人エージェントは効果的なコラボレーションを保証しません。 コミュニケーションは、あるエージェントが伝達するものと、別のエージェントが解釈してそれを使用する方法とを一致させなければならない。 この依存関係は、通信エッジを自然な最適化単位にする。 我々は,ブラックボックス言語モデル上に構築されたシステムにおいて,各エッジの両端における命令と共有通信規約を共同で最適化するPACO(Paired Automated Communication Optimization)を導入する。 PACOはモデルウェイト、エージェントロール、ワークフロートポロジを固定する。 状態認識されたディスカウントバンドは、洗練のためのエッジを選択し、実行フィードバックは、ステージ化されたエンドツーエンド実行によって評価されたペア化されたリビジョンをガイドする。 最適化された命令は、デプロイ時に追加のモデルコールなしで既存のエージェントプロンプトに統合される。 多様なマルチエージェントベンチマークで評価された4エージェントワークフローでは、PACOはプロンプト最適化と通信ベースラインをリードする。 HotpotQAで学んだ構成は、ターゲット固有の最適化を使わずに、クロスデータセット転送における優位性を維持している。 これらの結果は、エージェントのコミュニケーションの最適化が、他の固定されたシステム内でのコラボレーションを大幅に改善することを示した。

関連論文リスト

• Inference-Time Graph Engineering for Multi-Agent LLM Workflows [51.56038180639833]
  ReActNetは、クエリとロール特化エージェントのセットを一連の有向通信グラフにコンパイルする、トレーニング不要のフレームワークである。 ReActNetは、競争的推論コストを維持しつつ、固定トポロジと学習トポロジのベースラインを一貫して改善することを示す。
  論文  参考訳（メタデータ） (2026-09-04T23:32:11Z)
• Communication Policy Evolution for Proactive LLM Agents [58.4960889232199]
  本稿では,コミュニケーションポリシを形式化し,テキストおよびUIベースのポリシを確立し,さまざまな環境におけるコミュニケーションポリシを評価する。 本稿では,コミュニケーションポリシーをロールアウトとプロンプトレベルの進化を通じて改善するための自己進化フレームワークであるコミュニケーションポリシー進化(CPE)を提案する。
  論文  参考訳（メタデータ） (2026-06-12T09:54:01Z)
• What Should Agents Say? Action-state Communication for Efficient Multi-Agent Systems [27.11156309236441]
  2つのマルチエージェントシステム間での5つの共通エージェント間通信戦略を解析する。 PACT (Protocolized Action-State Communication and Transmission) は,エージェント間通信を状態更新問題として扱う。 PACTはパフォーマンスコストのトレードオフを一貫して改善し、トークンを著しく少なくして、同等またはより強力なタスクパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2026-06-03T18:00:22Z)
• Active Learning for Communication Structure Optimization in LLM-Based Multi-Agent Systems [1.8605423959642353]
  コミュニケーション構造最適化のためのアンサンブルに基づく情報理論タスク選択フレームワークを提案する。 提案手法は,候補タスクがグラフパラメータ上の分布をどの程度変化させるかによって,タスクのインフォメーション性を推定する。 本手法をエージェント攻撃による良質な設定と設定の両方で検証し、制約された計算予算下での通信構造最適化の有効性を実証する。
  論文  参考訳（メタデータ） (2026-05-07T05:48:43Z)
• RecNet: Self-Evolving Preference Propagation for Agentic Recommender Systems [109.9061591263748]
  RecNetは、レコメンデータシステムのための自己進化的な好みの伝達フレームワークである。 関連ユーザやアイテム間で、リアルタイムの好み更新を積極的に伝達する。 逆相では、フィードバック駆動の伝搬最適化機構がマルチエージェント強化学習フレームワークをシミュレートする。
  論文  参考訳（メタデータ） (2026-01-29T12:14:31Z)
• AnyMAC: Cascading Flexible Multi-Agent Collaboration via Next-Agent Prediction [77.62279834617475]
  本稿では,グラフ構造ではなくシーケンシャル構造を用いて,マルチエージェント協調を再考するフレームワークを提案する。 提案手法は,(1)各ステップで最も適したエージェントロールを選択するNext-Agent Predictionと,(2)各エージェントが前ステップから関連する情報にアクセスできるようにするNext-Context Selectionの2つの重要な方向に焦点を当てる。
  論文  参考訳（メタデータ） (2025-06-21T18:34:43Z)
• AgentCF: Collaborative Learning with Autonomous Language Agents for Recommender Systems [112.76941157194544]
  本稿では,エージェントベースの協調フィルタリングにより,レコメンデータシステムにおけるユーザとイテムのインタラクションをシミュレートするエージェントCFを提案する。 我々は、ユーザだけでなく、アイテムをエージェントとして、創造的に考慮し、両方のエージェントを同時に最適化する協調学習アプローチを開発します。 全体として、最適化されたエージェントは、ユーザ・イテム、ユーザ・ユーザ・ユーザ、アイテム・イテム、集合的インタラクションなど、フレームワーク内での多様なインタラクションの振る舞いを示す。
  論文  参考訳（メタデータ） (2023-10-13T16:37:14Z)

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。