論文の概要: HTN-Orchestrate: A Hierarchical Task Network Framework for Multi-Agent Orchestration

• arxiv url: http://arxiv.org/abs/2610.22195v2
• Date: Sun, 18 Oct 2026 05:22:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 06:32:45.319711
• Title: HTN-Orchestrate: A Hierarchical Task Network Framework for Multi-Agent Orchestration
• Title（参考訳）: HTN-Orchestrate: マルチエージェントオーケストレーションのための階層型タスクネットワークフレームワーク
• Abstract要約: 複雑なタスクでエージェントをオーケストレーションするには、ローカルなサブタスクの実行とグローバルなタスク計画の調整が必要である。 HTN-Orchestrateは階層型タスクネットワーク(HTN)を通じてこれらの責務を分離する2層フレームワークである。 Webリサーチ、科学的推論、研究にまたがる5つのベンチマークでは、HTN-OrchestrateはReAct、Agent Team、DeepSeekより優れています。
• 参考スコア（独自算出の注目度）: 30.584085261871348
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Orchestrating multiple agents on a complex task requires reconciling local subtask execution with global task planning. Dynamic dispatch approaches provide execution flexibility but do not explicitly model subtask hierarchies or dependencies, while predefined workflows impose this structure but fix the decomposition before execution begins. Therefore, we introduce HTN-Orchestrate, a two-layer framework that separates these responsibilities through a hierarchical task network (HTN). The Planner maintains subtask hierarchies and dependencies, deferring decomposition until prerequisite results become available, while local Orchestrators schedule workers to execute each leaf subtask. Results propagate upward under \textbf{AND} semantics, and accumulated findings inform a rebuilt task network when the current decomposition cannot resolve the task. On five benchmarks spanning web research, scientific reasoning, and research workflows, HTN-Orchestrate outperforms ReAct, Agent Team, and DeepSeek Harness using the same base model, achieving 89.73% accuracy on BrowseComp and 73.44% on SUPERChem, exceeding Agent Team by 2.45 and 4.69 percentage points, respectively.
• Abstract（参考訳）: 複雑なタスクで複数のエージェントをオーケストレーションするには、ローカルなサブタスクの実行とグローバルなタスク計画の調整が必要である。 動的ディスパッチアプローチは実行の柔軟性を提供するが、サブタスク階層や依存関係を明示的にモデル化しない。 そこで我々は,階層型タスクネットワーク(HTN)を通じてこれらの責務を分離する2層フレームワークであるHTN-Orchestrateを導入する。 Plannerはサブタスク階層と依存関係を維持し、必要な結果が出るまで分解を延期し、ローカルオーケストレータは各リーフサブタスクの実行をスケジュールする。 その結果, 現在分解しているタスクネットワークが解決できない場合に, 蓄積された結果から, 再構築されたタスクネットワークを知らせることができた。 Webリサーチ、科学推論、研究ワークフローにまたがる5つのベンチマークでは、HTN-Orchestrateは、同じベースモデルを使用してReAct、Agens Team、DeepSeek Harnessより優れており、BrowseCompで89.73%、SUPERChemで73.44%、Agent Teamで2.45、DeepSeek Harnessで4.69ポイントをそれぞれ上回っている。

関連論文リスト

• FRAMEWORKERS: A Dynamic Multi-Agent Framework for AI-Generated Video Production [55.71860113185132]
  本稿では,タスク中心のマルチエージェントフレームワークであるFRAMEWORKERSを紹介した。 Central Directorは、ビデオ生成を動的タスク管理として定式化し、タスクスタックを継続的に編集して、次にどのサブタスクを実行するか、どのサブエージェントを呼び出すかを決定する。 アシスタントは実行層として機能し、選択した各タスクを共有ワークスペースに接地し、必要なアセットとコンテキストを検索し、割り当てられたサブエージェントを呼び出し、結果のアーティファクトを永続化する。 FRAMEWORKERSは、ルーティング精度において強いプランナーよりも優れ、実行時の障害から確実に回復し、目に見えないサブに一般化することを示した。
  論文  参考訳（メタデータ） (2026-08-30T14:28:50Z)
• IntHQ: Task-Interactive Hierarchical Query on Dual-Stream Representations for Generative Recommendation [20.546679348797905]
  既存のマルチタスクは本質的に3倍の崩壊を起こしやすいことを示す。 InHQは3つのコンポーネントを持つマルチタスク生成レコメンデータで、1つの崩壊を緩和する。 オフライン評価では、InHQは4つの代表的なタスクヘッド構成の下で、競争力のあるバックボーンを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-08-10T14:13:47Z)
• Why Search When You Can Transfer? Amortized Agentic Workflow Design from Structural Priors [51.95306551061392]
  エージェントワークフローの自動設計は、現在、タスクごとの反復検索に依存している。 本稿では,ワークフロー設計を再利用可能な構造的先入観に補正するフレームワークであるSWIFTを提案する。 SWIFTは5つのベンチマークで最先端の検索手法より優れている。
  論文  参考訳（メタデータ） (2026-04-27T21:25:00Z)
• Small Model as Master Orchestrator: Learning Unified Agent-Tool Orchestration with Parallel Subtask Decomposition [61.291733522717415]
  Agent-as-Toolは並列オーケストレーションのパラダイムであり、エージェントとツールの両方を標準化された学習可能なアクション空間に緩和する。 ParaManagerは、サブタスク解決から計画決定を分離し、ステート対応の並列サブタスク分解、デリゲート、非同期実行を可能にする。 実験により、ParaManagerは複数のベンチマークで高い性能を示し、目に見えないモデルプールの下で堅牢な一般化を示す。
  論文  参考訳（メタデータ） (2026-04-18T14:41:27Z)
• AOrchestra: Automating Sub-Agent Creation for Agentic Orchestration [36.04766562662082]
  AOrchestraはフレームワークに依存しないエージェント抽象化で、任意のエージェントをインストラクション、コンテキストツール、モデルとしてモデル化する。 タスク関連コンテキスト、ツール、モデルをキュレートし、オンザフライで自動エージェント生成を通じて実行を委譲する。 AOrchestraはGeminiと組んで最強のベースラインに対して16.28%の相対的な改善を達成した。
  論文  参考訳（メタデータ） (2026-02-03T17:46:16Z)
• Conditional Diffusion Model for Multi-Agent Dynamic Task Decomposition [28.219354326144654]
  動的タスク分解のための条件拡散モデル(C$textDtext3$T) サブタスクとコーディネーションパターンを自動的に推論するように設計された2階層型MARLフレームワーク。 エージェントは、割り当てられたサブタスク内で特別なスキルを共同で学び、共有する。
  論文  参考訳（メタデータ） (2025-11-17T08:46:31Z)
• Fast Inference and Transfer of Compositional Task Structures for Few-shot Task Generalization [101.72755769194677]
  本稿では,タスクがサブタスクグラフによって特徴づけられる,数発の強化学習問題として定式化する。 我々のマルチタスクサブタスクグラフ推論器(MTSGI)は、トレーニングタスクから、まず、サブタスクグラフの観点から、一般的なハイレベルなタスク構造を推測する。 提案手法は,2次元グリッドワールドおよび複雑なWebナビゲーション領域において,タスクの共通基盤構造を学習し,活用し,未知のタスクへの適応を高速化する。
  論文  参考訳（メタデータ） (2022-05-25T10:44:25Z)
• Learning Task Decomposition with Ordered Memory Policy Network [73.3813423684999]
  OMPN(Ordered Memory Policy Network)を提案し、デモから学習することでサブタスク階層を発見する。 ompnは部分的に観測可能な環境に適用でき、高いタスク分解性能を達成できる。 私たちの視覚化は、サブタスク階層がモデルに出現できることを確認します。
  論文  参考訳（メタデータ） (2021-03-19T18:13:35Z)
• Hierarchical Reinforcement Learning as a Model of Human Task Interleaving [60.95424607008241]
  我々は、強化学習によって駆動される監督制御の階層モデルを開発する。 このモデルは、タスクインターリービングの既知の経験的効果を再現する。 その結果、階層的RLがタスクインターリービングのもっともらしいモデルとして支持された。
  論文  参考訳（メタデータ） (2020-01-04T17:53:28Z)

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。