論文の概要: Evolve Together, Fall into Place: How Social Scaffolding Shapes Self-Evolving Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2610.19799v1
• Date: Wed, 14 Oct 2026 08:42:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.040509
• Title: Evolve Together, Fall into Place: How Social Scaffolding Shapes Self-Evolving Multi-Agent Systems
• Title（参考訳）: Evolve together, fall into place: How how social Scaffolding Shapes Self-Evolving Multi-Agent Systems
• Abstract要約: 自己進化型マルチエージェントシステムの社会的足場がチームの進化を形作るかどうかを検討する。 AGORAは3つの進化機構で独立に2つの軸を変化させるフレームワークである。
• 参考スコア（独自算出の注目度）: 11.452774788885685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent work lets LLM agents evolve their own harness, up to the team itself. Yet in human groups, the same abilities achieve different outcomes under different social conditions. Borrowing the notion of scaffolding from developmental psychology, we investigate whether the social scaffolding of a self-evolving multi-agent system (MAS), namely its team composition and structure of interdependence (e.g., collaboration, conformity, or competition), shapes how the team evolves. We present AGORA (Agents Growing through Organization and Relational Arrangements), a framework that varies the two axes independently across three evolution mechanisms. Across web search, codebase understanding, and document QA, we find that (1) evolution alone rarely helps, while the right scaffolding surpasses a strong agent evolved alone by up to 25 points; (2) it does so by moving authority to the most capable member while the others step back; and (3) this member, having grown within the team, outperforms the same model alone. Designing a self-evolving MAS thus requires designing its social scaffolding, which shapes not only how its agents learn, but who gets to lead.
• Abstract（参考訳）: 最近の作業により、LLMエージェントはチーム自身まで、自身のハーネスを進化させることができる。 しかし、人間集団では、同じ能力が異なる社会的条件下で異なる結果をもたらす。 発達心理学から足場の概念を引用し、自己進化型マルチエージェントシステム(MAS)の社会的足場、すなわち、チーム構成と相互依存(例えば、コラボレーション、適合性、競争)の構造が、チームの進化を形作るかどうかを検討する。 AGORA(Agents Growing through Organization and Relational Arrangements)は,3つの進化機構にまたがる2つの軸を独立に変化させるフレームワークである。 ウェブ検索、コードベースの理解、文書QAを通じて、(1)進化だけではほとんど役に立たないのに対して、(2)正しい足場は、最大25ポイントまで進化した強力なエージェントを超えていること、(2)権限を最も有能なメンバに移すことによって他のメンバが後退すること、(3)チーム内で成長したこのメンバは、同じモデルよりも優れていること、が分かりました。 そのため、自己進化型MASを設計するには、エージェントがどのように学習するかだけでなく、誰がリードするかを形作る社会的足場を設計する必要がある。

関連論文リスト

• Co-Evolution in Agentic Systems: Toward Self-Directed Evolution Beyond Human Design [55.30329388138526]
  本調査は,複数のエージェントと環境が互いに適応的な圧力を課す多成分自己進化であるエージェントシステムの共進化に焦点を当てた。 既存の論文を整理するために,システムがどのように人為的制約を徐々に覆い隠すかを追究する,進歩的な3段階分類法を提案する。
  論文  参考訳（メタデータ） (2026-08-10T23:10:40Z)
• Evolve as a Team: Collaborative Self-Evolution for LLM-based Multi-Agent Systems [15.16932911340632]
  LLMベースのマルチエージェントシステム(MAS)は、複雑で長期のタスクに有効なパラダイムとして登場した。 協調的自己進化に基づく経験駆動型MAS進化フレームワークであるMeta-Teamを提案する。 6つのロングホライゾンエージェントベンチマークにおいて、Meta-Teamはシングルエージェントシステム、手作りのMAS、および以前のMAS進化手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-28T11:40:16Z)
• Beyond Individual Intelligence: Surveying Collaboration, Failure Attribution, and Self-Evolution in LLM-based Multi-Agent Systems [65.90791804095561]
  マルチエージェントシステムは、特殊エージェント間の構造化された協調を通じてこの問題に対処するが、より厳密な調整は、あまり検討されていないリスクを増幅する。 既存の調査では、個々のエージェント能力、マルチエージェントのコラボレーション、エージェントの自己進化を別々にカバーしている。 この調査は4つの因果関係のあるステージを中心にまとめられた統一されたレビューを提供する。これはLIFEの進展(Lay the capabilities foundation)、協力によるエージェントの統合、帰属による障害の発見、自律的な自己改善によるEvolveである。
  論文  参考訳（メタデータ） (2026-05-14T14:36:13Z)
• EVOCHAMBER: Test-Time Co-evolution of Multi-Agent System at Individual, Team, and Population Scales [27.568287645700064]
  シングルエージェント学習者は、自身のコンテキストと記憶だけを進化させることができる。 マルチエージェントシステムはさらに、誰が協力するか、どのように協力するか、どのように知識が集団に流れていくのかを進化させる。 EVOCHAMBERは,共進化エージェントプール上の3つのレベルでテスト時間進化をインスタンス化する,トレーニング不要のフレームワークである。
  論文  参考訳（メタデータ） (2026-05-11T18:42:33Z)
• Inclusive Fitness as a Key Step Towards More Advanced Social Behaviors in Multi-Agent Reinforcement Learning Settings [6.220885697097764]
  本稿では,各エージェントが遺伝子型を割り当てられ,報酬関数が包括的適合性の概念に従ってモデル化される,新しいマルチエージェント強化学習フレームワークを提案する。 エージェントの遺伝物質は、他のエージェントと共有され、我々の包括的報酬機能は、自然にこれを説明します。 我々は、囚人のジレンマを伴う2種類のネットワークゲームにおける社会的ダイナミクスについて研究し、その結果が生物学の確立した原則と一致していることを見出した。
  論文  参考訳（メタデータ） (2025-10-14T14:20:01Z)
• A Survey of Self-Evolving Agents: On Path to Artificial Super Intelligence [87.08051686357206]
  大きな言語モデル(LLM)は強力な能力を示しているが、基本的に静的である。 LLMはますますオープンでインタラクティブな環境にデプロイされているため、この静的な性質は重要なボトルネックとなっている。 この調査は、自己進化エージェントの体系的で包括的なレビューを初めて提供する。
  論文  参考訳（メタデータ） (2025-07-28T17:59:05Z)
• SocialGFs: Learning Social Gradient Fields for Multi-Agent Reinforcement Learning [58.84311336011451]
  マルチエージェント強化学習のための新しい勾配に基づく状態表現を提案する。 オフラインサンプルからソーシャルグラデーションフィールド(SocialGF)を学習するために,デノジングスコアマッチングを採用している。 実際に、SocialGFをMAPPOなど、広く使われているマルチエージェント強化学習アルゴリズムに統合する。
  論文  参考訳（メタデータ） (2024-05-03T04:12:19Z)

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。