論文の概要: PFedMA: Who Should Join Next as Federated Multi-Agent Orchestration Evolves?

• arxiv url: http://arxiv.org/abs/2610.19458v1
• Date: Wed, 14 Oct 2026 02:42:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.922483
• Title: PFedMA: Who Should Join Next as Federated Multi-Agent Orchestration Evolves?
• Title（参考訳）: PFedMA: フェデレートされたマルチエージェントオーケストレーションに誰が参加すべきか?
• Abstract要約: PFedMAは、不均一なプライバシ要件の下でフィードバック駆動のマルチラウンドコラボレーションのための、フェデレートされたマルチエージェントフレームワークである。 PFedMAは、エージェントの選択をガイドするために、履歴能力と信頼性状態を維持し、アグリゲーションの前にタスク応答を評価する。 クライアントは、ローカルに更新されたプライバシルールを一般化し、グローバルに保守されたルールを選択的に組み込むことで、クロスクライアントなプライバシルールの進化を促進する。
• 参考スコア（独自算出の注目度）: 31.355323348337166
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Multi-Agent Systems (FedMAS) offer a promising paradigm for collaborative reasoning among LLM-based agents while keeping raw client data decentralized. However, reliable multi-round collaboration remains challenging. Agent selection must take into consideration evolving task requirements and the agent's historical reliability, while privacy rules must adapt to changing collaboration contexts and meet the client's personalized needs. To address these challenges, we propose PFedMA, a federated multi-agent framework for feedback driven multi-round collaboration under heterogeneous privacy requirements. Across rounds, PFedMA maintains historical capability and reliability states to guide agent selection, evaluates task responses before aggregation, and refines subsequent queries according to accumulated collaboration feedback. PFedMA enables bidirectional local to global and global to local private rule evolution across heterogeneous clients. Clients generalize locally updated privacy rules and selectively incorporate globally maintained rules, thereby facilitating cross-client privacy rule evolution while preserving personalized constraints. Extensive experiments across reasoning, privacy sensitive, and adversarial settings show that PFedMA improves task performance, reduces measured privacy leakage, and improves system robustness.
• Abstract（参考訳）: Federated Multi-Agent Systems (FedMAS)は、LLMベースのエージェント間の協調推論において、生のクライアントデータを分散化しながら、有望なパラダイムを提供する。 しかし、信頼できる複数ラウンドのコラボレーションは依然として困難である。 エージェントの選択は、タスク要件の進化とエージェントの過去の信頼性を考慮する必要があるが、プライバシルールは、コラボレーションコンテキストの変更に適応し、クライアントのパーソナライズされたニーズを満たす必要がある。 これらの課題に対処するため,不均一なプライバシ要件下でのフィードバック駆動型マルチラウンドコラボレーションのためのフェデレーション型マルチエージェントフレームワークであるPFedMAを提案する。 ラウンド全体を通じて、PFedMAはエージェントの選択をガイドし、アグリゲーション前にタスク応答を評価し、集約されたコラボレーションフィードバックに従ってその後のクエリを洗練するために、履歴能力と信頼性状態を維持している。 PFedMAは、異種クライアント間の双方向のローカル、グローバル、グローバル、ローカルのプライベートルールの進化を可能にする。 クライアントは、ローカルに更新されたプライバシルールを一般化し、グローバルに保守されたルールを選択的に組み込むことで、パーソナライズされた制約を維持しながら、クロスクライアントなプライバシルールの進化を促進する。 PFedMAは、推論、プライバシセンシティブ、敵対的な設定の広範な実験により、タスクパフォーマンスを改善し、測定されたプライバシリークを低減し、システムの堅牢性を向上させる。

関連論文リスト

• Multi-Agent Privacy Game in Federated Learning: A Unified Mean-Field View [9.305417960678357]
  フェデレートラーニングは、データを集中することなく、分散クライアント間で協調的なモデルトレーニングを可能にする。 平均フィールドプライバシゲームとして,プライバシ保存型フェデレーション学習を提案する。 提案するフレームワークは、パーソナライズされたプライバシ保証を提供しながら、エントロピーベースラインのプライバシユーティリティトレードオフを実現する。
  論文  参考訳（メタデータ） (2026-07-25T04:03:59Z)
• AffectAgent: Collaborative Multi-Agent Reasoning for Retrieval-Augmented Multimodal Emotion Recognition [62.16431420189863]
  LLMに基づくマルチモーダル感情認識は静的なパラメトリックメモリに依存しており、ニュアンス化された感情状態の解釈時にしばしば幻覚を与える。 本稿では,感情指向型マルチエージェント検索拡張生成フレームワークであるAffectAgentを紹介する。 AffectAgentは3つの共同最適化されたエージェント、すなわちクエリプランナー、エビデンスフィルタ、感情生成器から構成される。
  論文  参考訳（メタデータ） (2026-04-14T13:49:19Z)
• Information-Theoretic Privacy Control for Sequential Multi-Agent LLM Systems [5.100622189286672]
  逐次マルチエージェント大規模言語モデル (LLM) システムにおいて, 偶発的プライバシー漏洩について検討する。 そこで本研究では,エージェント出力とエージェントローカル依存変数間の情報フローを直接制約する,プライバシ規則化されたトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-13T18:23:03Z)
• Privacy-Preserving Federated Embedding Learning for Localized Retrieval-Augmented Generation [60.81109086640437]
  我々はFedE4RAG(Federated Retrieval-Augmented Generation)と呼ばれる新しいフレームワークを提案する。 FedE4RAGはクライアント側RAG検索モデルの協調トレーニングを容易にする。 モデルパラメータの保護にフェデレート学習の準同型暗号化を適用する。
  論文  参考訳（メタデータ） (2025-04-27T04:26:02Z)
• AgentNet: Decentralized Evolutionary Coordination for LLM-based Multi-Agent Systems [22.291969093748005]
  AgentNet(エージェントネット)は、マルチエージェントシステムのための分散化された検索型生成(RAG)ベースのフレームワークである。 静的ロールや集中制御の以前のアプローチとは異なり、AgentNetはエージェントがローカルの専門知識とコンテキストに基づいて接続とタスクのルーティングを調整することができる。 実験の結果,AgentNetは単一エージェントと集中型マルチエージェントのベースラインよりも高いタスク精度を実現することがわかった。
  論文  参考訳（メタデータ） (2025-04-01T09:45:25Z)
• Privacy-Enhancing Paradigms within Federated Multi-Agent Systems [47.76990892943637]
  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を統合することで複雑な問題を解決するのに非常に効果的であることが証明されている。 本稿では、フェデレーションMASの概念を紹介し、フェデレーションMASと従来のFLの根本的な違いを明らかにする。 1)エージェント間の異種プライバシープロトコル,2)多人数会話の構造的差異,3)動的会話ネットワーク構造などである。 これらの課題に対処するため、我々はEPEAgent(Embedded Privacy-Enhancing Agents)を提案し、これはRetrieval-Augmented GenerationフェーズとRetrieval-Augmented Generationフェーズにシームレスに統合する革新的なソリューションである。
  論文  参考訳（メタデータ） (2025-03-11T08:38:45Z)
• Federated Natural Policy Gradient and Actor Critic Methods for Multi-task Reinforcement Learning [46.28771270378047]
  フェデレート強化学習(RL)は、ローカルデータトラジェクトリを共有することなく、複数の分散エージェントの協調的な意思決定を可能にする。 本研究では,環境の同じ遷移カーネルを共有しながら,各エージェントが異なるタスクに対応する個別の報酬関数を持つマルチタスク設定について考察する。 我々は、分散された方法で全てのエージェントの割引された全報酬の総和を最大化する、世界的な最適政策を学習する。
  論文  参考訳（メタデータ） (2023-11-01T00:15:18Z)
• Privacy-Engineered Value Decomposition Networks for Cooperative Multi-Agent Reinforcement Learning [19.504842607744457]
  協力的マルチエージェント強化学習では、エージェントのチームは、指定されたタスクを学ぶために、チームの長期的な報酬を共同で最適化する必要がある。 プライバシエンジニアリングされた価値分解ネットワーク(PE-VDN)は、エージェントの環境相互作用データの機密性を保護しながら、マルチエージェント調整をモデル化する。 我々は,StarCraft Multi-Agent Competition (SMAC) にPE-VDNを実装し,バニラVDNの勝利率の80%を達成することを示す。
  論文  参考訳（メタデータ） (2023-09-13T02:50:57Z)
• Privacy-Preserving Joint Edge Association and Power Optimization for the Internet of Vehicles via Federated Multi-Agent Reinforcement Learning [74.53077322713548]
  プライバシ保護型共同エッジアソシエーションと電力配分問題について検討する。 提案されたソリューションは、最先端のソリューションよりも高いプライバシレベルを維持しながら、魅力的なトレードオフにぶつかる。
  論文  参考訳（メタデータ） (2023-01-26T10:09:23Z)
• Scalable Multi-Agent Reinforcement Learning for Residential Load Scheduling under Data Governance [5.37556626581816]
  マルチエージェント強化学習 (MARL) は, 協調型住宅負荷スケジューリング問題において, 顕著な進歩を遂げている。 MARLの最も一般的なパラダイムである集中型トレーニングは、通信制約のあるクラウドエッジ環境における大規模デプロイメントを制限する。 提案手法は,家庭の局所的な観察のみに基づく個人評論家の学習機能である,アクタ批判的手法に基づく。
  論文  参考訳（メタデータ） (2021-10-06T14:05:26Z)

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。