論文の概要: SSR: Structural Signal Retriever for Scalable Agent Discovery in LLM-Orchestrated Multi-Agent Systems
- arxiv url: http://arxiv.org/abs/2610.21113v1
- Date: Thu, 15 Oct 2026 02:16:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:16.135946
- Title: SSR: Structural Signal Retriever for Scalable Agent Discovery in LLM-Orchestrated Multi-Agent Systems
- Title（参考訳）: SSR: LLM-Orchestrated Multi-Agent Systemsにおけるスケーラブルエージェント発見のための構造信号検索
- Abstract要約: 大規模マルチエージェントエコシステムでは,大規模な言語モデル(LLM)オーケストレータにレジストリ全体を公開することなく,適切なエージェントを検出するメカニズムが必要である。
本稿では,エージェントカード発見のための決定論的かつトレーニング不要な検索手法であるStructure Signal Retriever (SSR)を提案する。
- 参考スコア（独自算出の注目度）: 3.3951409945654607
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large-scale multi-agent ecosystems require mechanisms for discovering suitable agents without exposing entire registries to a large language model (LLM) orchestrator. The challenge is not only to retrieve relevant Agent Cards from a growing registry, but also to maintain a compact candidate context, since each additional candidate increases prompt size, inference cost, latency, and the risk of exceeding the model context window. We formulate this problem as candidate-context scalability and propose the Structural Signal Retriever (SSR), our deterministic and training-free retrieval method designed for Agent Card discovery. SSR derives structural lexical signals from capability-bearing Agent Card fields, weights them using inverse document frequency (IDF), and uses an Inverted Signal Index (ISI) for selective candidate scoring. We evaluate SSR using a synthetic agent benchmark, a public MS MARCO adaptation, and end-to-end LLM orchestration. At 1,000 agents, SSR reduces LLM input by 98.8% and orchestration latency by 70.9% relative to full-catalog orchestration. On MS MARCO, IDF improves retrieval effectiveness within the structural representation, while the ISI preserves retrieval effectiveness and reduces explicitly scored passages by 96.8%. End-to-end experiments show that candidate pre-selection maintains a compact candidate context as registry size grows and avoids the operational failures observed with full-catalog orchestration. These results support SSR as an Agent-Card-native, traceable retrieval mechanism for candidate-context scalability.
- Abstract（参考訳）: 大規模マルチエージェントエコシステムでは,大規模な言語モデル(LLM)オーケストレータにレジストリ全体を公開することなく,適切なエージェントを検出するメカニズムが必要である。
課題は、成長するレジストリから関連するエージェントカードを取得するだけでなく、各候補が迅速なサイズ、推論コスト、レイテンシ、モデルコンテキストウインドウを越えるリスクを増大させるため、コンパクトな候補コンテキストを維持することだ。
本稿では,この問題を候補コンテキストのスケーラビリティとして定式化し,エージェントカード発見のための決定論的かつトレーニング不要な検索手法であるStructure Signal Retriever (SSR)を提案する。
SSRは、機能を持つエージェントカードフィールドから構造的語彙信号を取得し、それを逆文書周波数(IDF)で重み付けし、選択候補スコアリングに逆信号指数(ISI)を使用する。
我々は,合成エージェントベンチマーク,MS MARCO適応,エンドツーエンドLLMオーケストレーションを用いたSSRの評価を行った。
1000のエージェントで、SSRはLLM入力を98.8%削減し、オーケストレーション遅延をフルカタログオーケストレーションと比較して70.9%削減する。
MS MARCOでは、IDIは検索効率を96.8%削減し、IDIは検索効率を維持できる。
エンドツーエンドの実験では、レジストリのサイズが大きくなるにつれて、候補の事前選択がコンパクトな候補コンテキストを維持し、フル触媒オーケストレーションで観測される運用上の障害を回避することが示されている。
これらの結果は、候補コンテキスト拡張のためのエージェントカードネイティブなトレーサブル検索機構としてSSRをサポートする。
関連論文リスト
- IterSynth: Rethinking Deep Search Agents via Role-Decoupled Iterative Synthesis [52.23822202304358]
Iter Synthは、情報ニーズを特定するためのPlannerと、エビデンスを進化的な要約状態に統合するSynthesizerを交互に扱う、ロール分離および要約ベースのパラダイムである。
Iter Synth-8Bの平均スコアは50.7で、最強の$leq$8Bのエージェントを+4.2%上回る。
論文 参考訳（メタデータ） (2026-09-24T12:02:53Z) - A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。
A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
論文 参考訳（メタデータ） (2026-08-05T14:01:10Z) - Toward Autonomous SOC Operations: End-to-End LLM Framework for Threat Detection, Query Generation, and Resolution in Security Operations [1.7102338932907293]
セキュリティ・オペレーション・センター(SOC)は運用上の課題に直面している。
これらの課題は、脅威量の増加、異種SIEMプラットフォーム、時間を要する手作業によるトリアージなどである。
本稿では,アンサンブルに基づく検出,構文制約付きクエリ生成,検索強化型解決支援を統合したエンドツーエンドの脅威管理フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-30T02:06:46Z) - SWE-TRACE: Optimizing Long-Horizon SWE Agents Through Rubric Process Reward Models and Heuristic Test-Time Scaling [13.335296846555204]
現在のパイプラインは、最適化されていないデモデータ、スパース実行報酬、計算的に禁止された推論スケーリングによってボトルネックされる。
SWE-TRACEはデータキュレーション、強化学習(RL)、テスト時間推論にまたがるSWEエージェントライフサイクルを最適化する統合フレームワークである。
標準SWEベンチマークの実験により、SWE-TRACEは、両方のトークン消費推論遅延を大幅に削減しつつ、解決率を最大化し、最先端の精度を大幅に向上することが示された。
論文 参考訳（メタデータ） (2026-04-16T09:41:47Z) - 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) - From Completion to Editing: Unlocking Context-Aware Code Infilling via Search-and-Replace Instruction Tuning [81.97788535387286]
本稿では,エージェントによる検証・編集機構を統一された単一パス推論プロセスに内部化するフレームワークを提案する。
最小限のデータで、SRI-Coderは、ChatモデルがBaseモデルの完了性能を上回ることができる。
FIMスタイルのチューニングとは異なり、SRIは一般的なコーディング能力を保持し、標準のFIMに匹敵する推論遅延を維持する。
論文 参考訳（メタデータ） (2026-01-19T20:33:53Z) - SI-Agent: An Agentic Framework for Feedback-Driven Generation and Tuning of Human-Readable System Instructions for Large Language Models [0.0]
システムインストラクション(SI)は、大規模言語モデル(LLM)の指針となる。
既存の自動化手法は、人間が読めない「ソフトプロンプト」を頻繁に生成し、解釈しやすさを犠牲にする。
本稿では,人間の読みやすいSIを自動生成し,反復的に洗練する新しいエージェントフレームワークであるSI-Agentを紹介する。
論文 参考訳（メタデータ） (2025-07-03T23:44:50Z) - CART: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
クロスモーダル検索は、異なるモーダルデータの相互作用を通じて、クエリと意味的に関連するインスタンスを検索することを目的としている。
従来のソリューションでは、クエリと候補の間のスコアを明示的に計算するために、シングルトウワーまたはデュアルトウワーのフレームワークを使用している。
粗大なセマンティックモデリングに基づく生成的クロスモーダル検索フレームワーク(CART)を提案する。
論文 参考訳（メタデータ） (2024-06-25T12:47:04Z)
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。