論文の概要: A Responsibility-Centered Coordination Mechanism for Decentralized Multi-Agent Systems
- arxiv url: http://arxiv.org/abs/2610.21243v1
- Date: Thu, 15 Oct 2026 04:39:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:16.180225
- Title: A Responsibility-Centered Coordination Mechanism for Decentralized Multi-Agent Systems
- Title（参考訳）: 分散マルチエージェントシステムに対する責任中心型コーディネート機構
- Abstract要約: 本稿では,責任中心の協調機構であるRCMを提案する。
我々は,このメカニズムを責任制約のある意思決定と責任指向通信プロトコルを通じて局所的に運用する。
実験により、RCMはタスクパフォーマンスにおいて最大18.7ポイント、責任において10.2ポイントの強い集中的および非集中的な調整ベースラインを上回ります。
- 参考スコア（独自算出の注目度）: 22.978603319969938
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Centralized orchestration provides comprehensive multi-agent coordination but creates bottlenecks in scalability, adaptability, and collective performance. Decentralized approaches alleviate these bottlenecks by distributing coordination across agents, yet often leave responsibility for delegated dependencies and failure recovery unclear. To address this gap, we propose RCM, a responsibility-centered coordination mechanism that leverages commitments to couple task delegation with explicit responsibilities of the involved parties. Through recursive delegation, agents retain their upstream responsibilities while locally orchestrating downstream commitments, thereby preserving accountability across delegation chains, creating a network of local orchestration. We operationalize this mechanism locally through responsibility-constrained decision-making and a responsibility-oriented communication protocol (RCP), enabling agents to autonomously establish, manage, and terminate commitments. As agents act in parallel, their local actions continuously evolve the commitment graph, allowing global coordination to emerge and adapt toward a shared mission without centralized control. Experiments across reasoning, coding, and executable agent environments demonstrate that RCM outperforms strong centralized and decentralized coordination baselines by up to 18.7 points in task performance and 10.2 points in Responsibility, while improving failure and harm detection without task-specific training.
- Abstract（参考訳）: 集中オーケストレーションは、包括的なマルチエージェント調整を提供するが、スケーラビリティ、適応性、全体的なパフォーマンスのボトルネックを生み出す。
分散化されたアプローチは、エージェント間で調整を分散することでこれらのボトルネックを軽減するが、委譲された依存関係と障害復旧に対する責任は明確でないことが多い。
このギャップに対処するため、我々は責任中心の調整機構であるRCMを提案する。
再帰的デリゲートを通じて、エージェントは上流の責任を保持しながら、下流のコミットメントをローカルにオーケストレーションすることで、デリゲートチェーン間の説明責任を保ち、局所的なオーケストレーションネットワークを形成する。
我々は、責任制約のある意思決定と責任指向コミュニケーションプロトコル(RCP)を通じて、このメカニズムをローカルに運用し、エージェントがコミットメントを自律的に確立し、管理し、終了することを可能にする。
エージェントが並列に行動するとき、それらのローカルなアクションはコミットメントグラフを継続的に進化させ、グローバルなコーディネーションが中央集権的な制御なしに共有されたミッションに向けて出現し、適応することを可能にする。
推論、コーディング、実行可能エージェント環境における実験により、RCMはタスクパフォーマンスにおいて最大18.7ポイント、責任において最大10.2ポイント、タスク固有のトレーニングなしで障害と障害検出を改善しながら、強力な集中的および分散化されたコーディネーションベースラインを上回っていることが示された。
関連論文リスト
- DEALS: Decentralized Expertise-Aware Load Serving for Multi-Agent LLM Systems [13.034974189941465]
マルチエージェントシステム (MAS) は, 大規模言語モデル (LLM) に基づくエージェントを協調して, 構造的相互作用によって複雑なタスクを解くための効果的な手法として最近登場した。
エージェントが並列タスクを自律的かつ動的にルーティングすることを可能にする分散かつ低複雑さのフレームワークである分散エキスパート・アウェアを提案する。
論文 参考訳（メタデータ） (2026-09-27T17:09:42Z) - Communication-Efficient Digital-Twin Coordination for Heterogeneous LLM Embodied Agents over Computing Power Networks [48.90302419915548]
異種大規模言語モデル(LLM)を駆使したエージェントチームは、スマートファクトリー、倉庫、サービスロボティクスに広く配備されている。
軽量ディジタルツイン(DT)上に構築したネットワーク協調フレームワーク LDT-Coord を提案する。
具体的には、各エージェントは、意図したアクションを独立して選択し、共有リソースに対するアクション決定と構造化時間制約の両方をDTサーバに通知する。
論文 参考訳（メタデータ） (2026-07-10T12:10:31Z) - 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) - When Does Hierarchy Help? Benchmarking Agent Coordination in Event-Driven Industrial Scheduling [7.912877527497326]
DESBenchは、階層的なイベント駆動スケジューリングにおけるエージェント調整を評価するためのベンチマークである。
我々は,中央集権的,階層的,階層的,ホロニックという,4つの代表的な調整パラダイムに注目している。
論文 参考訳（メタデータ） (2026-05-13T08:33:28Z) - 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) - Intelligent AI Delegation [8.71949046003755]
知的AIデリゲートのための適応型フレームワークを提案する。
提案するフレームワークは、複雑なデリゲートネットワークにおける人間およびAIデリゲータとデリゲートの両方に適用可能である。
論文 参考訳（メタデータ） (2026-02-12T12:11:42Z) - Learning to Interact in World Latent for Team Coordination [53.51290193631586]
本研究は,多エージェント強化学習(MARL)におけるチーム協調を支援するために,対話型ワールドラテント(IWoL)という新しい表現学習フレームワークを提案する。
コミュニケーションプロトコルを直接モデル化することにより,エージェント間関係とタスク固有の世界情報とを協調的にキャプチャする学習可能な表現空間を構築する。
私たちの表現は、各エージェントの暗黙のラテントとしてだけでなく、コミュニケーションのための明示的なメッセージとしても使用できます。
論文 参考訳（メタデータ） (2025-09-29T22:13:39Z) - Multi-Agent Reinforcement Learning for Task Offloading in Wireless Edge Networks [3.065057842316041]
エッジコンピューティングシステムでは、自律エージェントは共有リソースを競いながら、高速なローカル決定をしなければならない。
本稿では,各エージェントが制約付きマルコフ決定プロセス(CMDP)を解き,共有制約ベクトルを通じて暗黙的にコーディネートする分散フレームワークを提案する。
安全強化学習を用いて、エージェントは、地域とグローバルの両方の目標を満たすポリシーを学ぶ。
論文 参考訳（メタデータ） (2025-09-01T08:47:36Z) - 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)
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。