論文の概要: IF-MAP: Influence-Function-Inspired Agent Prioritization in Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2610.24383v1
• Date: Sat, 17 Oct 2026 02:36:35 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:48:02.231147
• Title: IF-MAP: Influence-Function-Inspired Agent Prioritization in Multi-Agent Systems
• Title（参考訳）: IF-MAP:マルチエージェントシステムにおける影響Function-Inspired Agent Prioritization
• Abstract要約: 本稿では,システムレベル改善の可能性が高いエージェントを識別するIF-MAPを提案する。 各エージェントに対して、IF-MAPは制御されたセマンティックプロンプト摂動の下でエンドツーエンドの損失変化を測定する。 IF-MAPを6つのマルチエージェントに分散したコード生成、質問応答、数学的推論で評価する。
• 参考スコア（独自算出の注目度）: 29.405037211285997
• License:
• Abstract: Improving every agent in an LLM-based multi-agent system can be prohibitively costly, making it important to identify which agent should be prioritized to achieve the greatest system-level gain with limited resources. Failure attribution can inform this decision, but an agent's responsibility for failures does not directly reveal the system-level gains achievable by improving it. We therefore introduce IF-MAP, an influence-function-inspired method for identifying agents with high potential for system-level improvement. For each agent, IF-MAP measures end-to-end loss changes under controlled semantic prompt perturbations, fits a regularized local response model in a low-dimensional prompt-embedding subspace, and uses the estimated response norm as a priority score. This black-box procedure requires no access to model parameters or gradients and produces agent priorities that can guide subsequent improvement effort. We evaluate IF-MAP across six multi-agent workflows spanning code generation, question answering, and mathematical reasoning, using the same priorities for prompt optimization and model upgrades. Optimizing the selected agents' prompts achieves a macro-average gain of 3.81 percentage points, compared with 1.85 for uniform agent selection. Across five target models, upgrading the selected agents yields macro-average gains of 7.62-16.42 percentage points, compared with 3.81-8.62 for uniform agent selection. Despite its probing overhead, IF-MAP reduces Qwen3-8B and DeepSeek-V3.2 token use by 74.2% and 35.2%, respectively, relative to optimizing every agent, and reduces target-model tokens by 63.6-64.9% relative to upgrading every agent. These results support the use of IF-MAP to identify promising agents and direct improvement effort toward greater end-to-end performance gains.
• Abstract（参考訳）: LLMベースのマルチエージェントシステムにおけるすべてのエージェントの改善は、制限されたリソースで最大のシステムレベルゲインを達成するために、どのエージェントを優先順位付けすべきかを判断することが重要となる。 失敗の帰属は、この決定を知らせることができるが、エージェントの失敗に対する責任は、システムレベルの改善によって達成可能な利益を直接明らかにしない。 そこで本研究では,システムレベル改善の可能性が高いエージェントを識別するIF-MAPを提案する。 各エージェントに対して、IF-MAPは、制御されたセマンティックプロンプト摂動の下でのエンド・ツー・エンドの損失変化を測定し、低次元のプロンプト埋め込み部分空間で正規化された局所応答モデルに適合し、推定された応答ノルムを優先度スコアとして使用する。 このブラックボックスプロシージャは、モデルパラメータや勾配へのアクセスを必要とせず、その後の改善を導くエージェント優先順位を生成する。 我々は,コード生成,質問応答,数学的推論にまたがる6つのマルチエージェントワークフローを対象としたIF-MAPの評価を行った。 選択したエージェントのプロンプトを最適化すると、一様エージェント選択の1.85に比べて平均3.81ポイントのマクロ平均ゲインが得られる。 5つのターゲットモデルで選択されたエージェントをアップグレードすると、マクロ平均ゲインは7.62-16.42ポイントとなり、一様エージェントの選択は3.81-8.62になる。 IF-MAPは予測オーバーヘッドにもかかわらず、Qwen3-8BとDeepSeek-V3.2トークンをそれぞれ74.2%、35.2%削減し、各エージェントの最適化に対してターゲットモデルトークンを63.6-64.9%削減する。 これらの結果は、期待できるエージェントを特定するためのIF-MAPの使用と、エンド・ツー・エンドのパフォーマンス向上に向けた直接的な改善努力を支援する。

関連論文リスト

• Do Agent Optimizers Compound? A Continual-Learning Evaluation on Terminal-Bench 2.0 [53.71882250666667]
  エージェント最適化法で報告されているほとんどの利得はワンショットである。 これは、デプロイされたエージェントにとって重要な設定をテストするものではない。 エージェントハーネス最適化に対する3つのアプローチを比較する。
  論文  参考訳（メタデータ） (2026-07-15T16:36:04Z)
• Route, Communicate, and Reason: Gated Routing and Adaptive Depth for Efficient Multi-Agent Reasoning [20.207338820226862]
  GRADEは階層的なマルチエージェントシステムであり、4つの軽量学習ゲートがエージェント選択、階層深度、エージェント間通信、ブランチプルーニングを共同で管理する。 平均アクティブパラメータは$sim$17Bで、GRADEはGSM8K、MMLUPro、GPQAで全てのベースラインを上回っている。 モデル奥行きが支配的な AIME-2025 では、GRADE は既存のフレームワークと競合し続けている。
  論文  参考訳（メタデータ） (2026-07-12T16:58:21Z)
• MetaCogAgent: A Metacognitive Multi-Agent LLM Framework with Self-Aware Task Delegation [11.486913474115402]
  本稿では,メタ認知自己評価ユニットを備えた多エージェント大規模言語モデル(LLM)フレームワークであるMetaCogAgentを提案する。 MetaCogAgentは、AutoGenよりも5%少ないAPIコールを使用し、アンサンブル投票よりも34%少ないタスク精度を82.4%達成している。
  論文  参考訳（メタデータ） (2026-05-17T07:12:04Z)
• Agent Q-Mix: Selecting the Right Action for LLM Multi-Agent Systems through Reinforcement Learning [68.85408801740228]
  協調型マルチエージェント強化学習問題としてトポロジ選択を再構成する強化学習フレームワークである textbfAgent Q-Mix を提案する。 提案手法は,Qmix値分解を用いて分散化された通信決定を学習し,各エージェントがラウンドワイド通信グラフを共同生成する一連の通信行動から選択する。 エージェントQ-Mixは,エージェント故障に対して優れたトークン効率とロバスト性を示しながら,既存手法と比較して高い平均精度を達成する。
  論文  参考訳（メタデータ） (2026-04-01T00:38:24Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• Structured Uncertainty guided Clarification for LLM Agents [126.26213027785813]
  LLMエージェントは、ツールコール機能を備えた大きな言語モデルを拡張するが、曖昧なユーザ命令は、しばしば誤った呼び出しやタスクの失敗につながる。 本稿では,ツールコールパラメータに対する構造的不確かさの定式化,完全情報の期待値(EVPI)を目標としたPOMDPのモデル化,冗長性防止のためのアスペクトベースコストモデルを提案する。 我々のSAGE-Agentは、この構造化された不確実性を活用し、より優れた効率を達成するために、曖昧なタスクのカバレッジを7～39%増加させ、明確な質問を1.5～2.7$times$に減らした。
  論文  参考訳（メタデータ） (2025-11-11T21:50:44Z)
• AgentPRM: Process Reward Models for LLM Agents via Step-Wise Promise and Progress [71.02263260394261]
  大規模言語モデル(LLM)は、マルチターン意思決定タスクにおいて依然として課題に直面している。 プロセス報酬モデル(PRM)を構築し、各意思決定を評価し、エージェントの意思決定プロセスを導く。 AgentPRMは、シーケンシャルな決定と最終的な目標への貢献の間の相互依存の両方をキャプチャする。
  論文  参考訳（メタデータ） (2025-11-11T14:57:54Z)
• AgentAsk: Multi-Agent Systems Need to Ask [26.13279490836716]
  大規模言語モデル(LLM)上に構築されたマルチエージェントシステムは、協調的な分業による問題解決能力の向上を約束する。 我々はAgentAskを提案する。AgentAskは軽量でプラグ・アンド・プレイの明確化モジュールで、すべてのエージェント間メッセージを潜在的な障害点として扱い、エラーの伝播を抑えるのに必要最小限の質問を挿入する。 AgentAskは、公開マルチエージェント実装の精度と堅牢性を継続的に改善し、オーバーヘッドを最小限に抑え、レイテンシと余分なコストを5%以下に抑える。
  論文  参考訳（メタデータ） (2025-10-08T22:36:05Z)
• Agent-FLAN: Designing Data and Methods of Effective Agent Tuning for Large Language Models [56.00992369295851]
  オープンソースのLarge Language Models(LLM)は、さまざまなNLPタスクで大きな成功を収めていますが、エージェントとして振る舞う場合、それでもAPIベースのモデルよりもはるかに劣っています。 本稿では,(1) エージェント学習コーパスを,(1) エージェント学習データの分布から大きくシフトするエージェント推論と,(2) エージェントタスクが必要とする能力に異なる学習速度を示すエージェント学習コーパスと,(3) 幻覚を導入することでエージェント能力を改善する際の副作用について述べる。 本稿では,エージェントのためのFLANモデルを効果的に構築するためのエージェントFLANを提案する。
  論文  参考訳（メタデータ） (2024-03-19T16:26:10Z)

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。