論文の概要: Neuro-Inspired Inhibitory Message Passing for Accurate and Token-Efficient Multi-Agent Reasoning

• arxiv url: http://arxiv.org/abs/2610.24718v1
• Date: Sat, 17 Oct 2026 14:30:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 16:48:00.148287
• Title: Neuro-Inspired Inhibitory Message Passing for Accurate and Token-Efficient Multi-Agent Reasoning
• Title（参考訳）: 高精度・高能率マルチエージェント推論のための神経刺激型抑制メッセージパッシング
• Abstract要約: マルチエージェントシステムは、個々のエージェントの到達範囲を超えて情報をまとめることによって問題を解決することを約束する。 重要な課題は、メッセージが蓄積されるにつれて、各エージェントのコンテキストで重要な証拠を可視化することである。 筆者らは,証拠文と受信機ごとに個別に冗長な証拠をキャンセルする,訓練不要な通信ルータを開発した。
• 参考スコア（独自算出の注目度）: 0.1274452325287335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent systems promise to solve problems by bringing together information beyond the reach of any individual agent. Retrieval and tool use can distribute this information across agents, making communication essential to collaboration. A central challenge is keeping crucial evidence visible in each agent's context as messages accumulate. Repeated information can crowd out rare, decisive evidence. Models of cortical circuits suggest a principle for addressing this imbalance: inhibition can selectively suppress shared inputs while preserving sensitivity to weaker signals. We adapt this principle into inhibitory message passing, a training-free communication router that cancels redundant evidence separately for each evidence sentence and receiver. Each round, it forwards evidence sentences restated in agents' messages, delivering each at most once to receivers whose own evidence lacks it and excluding the senders' reasoning and answers. Against standard message passing, accuracy in peer groups rose by 39-77 percentage points across three benchmarks, and tokens per run fell by 10-46%. Gains held across seven open models spanning four to thirty-two billion parameters and two commercial models, in groups up to sixty-four agents, and across multi-agent architectures including peer-to-peer, orchestrator-worker, and multilevel hierarchical organizations. These findings support a scalable design pattern for more accurate and token-efficient multi-agent reasoning.
• Abstract（参考訳）: マルチエージェントシステムは、個々のエージェントの到達範囲を超えて情報をまとめることによって問題を解決することを約束する。 検索とツールの使用は、これらの情報をエージェントに分散させ、コミュニケーションをコラボレーションに不可欠にする。 メッセージが蓄積されるにつれて、各エージェントのコンテキストで重要な証拠を目に見えるようにしておくことが重要な課題である。 繰り返した情報は、稀で決定的な証拠を収集することができる。 抑制は、弱い信号に対する感度を保ちながら、共有入力を選択的に抑制することができる。 我々は、この原則を、各証拠文と受信者に対して別々に冗長な証拠をキャンセルする訓練不要な通信ルータである阻止メッセージパッシングに適用する。 各ラウンドは、エージェントのメッセージで再送された証拠文書を転送し、それぞれの証拠に欠けるレシーバーに最大1回配信し、送信者の推論と回答を除外する。 標準的なメッセージパッシングに対して、ピアグループの精度は3つのベンチマークで39-77ポイント上昇し、1ラン当たりトークンは10-46%減少した。 利益は、4から32億のパラメータと2つの商用モデルからなる7つのオープンモデル、最大54のエージェントのグループ、ピアツーピア、オーケストレータワーカー、マルチレベルの階層的組織を含むマルチエージェントアーキテクチャに及んだ。 これらの結果は、より正確でトークン効率の良いマルチエージェント推論のためのスケーラブルな設計パターンをサポートする。

関連論文リスト

• Scaling Multi-Agent Intelligence with Substrate-Centric Coordination [81.07621998832299]
  既存の大規模言語モデル(LLM)ベースのマルチエージェントシステムは、スケーラビリティが低いことが示されている。 エージェントが3つの操作を通じてリンクされたメッセージの共有データストアと対話するScaleMASを構築します。 4つのエージェントタスクにわたって、ScaleMASはエージェント中心およびブラックボードスタイルのベースラインを低い推論計算で上回る。
  論文  参考訳（メタデータ） (2026-10-12T03:37:39Z)
• Despite Instructions: Frontier Agents Improvise Covert Channels at Test Time [64.61749234961134]
  セキュリティに敏感なアプリケーションでは、言語モデルエージェントは機密情報を開示することなく調整する必要があることが多い。 送信者が4つの秘密状態のうちの1つを観測し、同一の公開レポートの4つの要約のうちの1つを選択する。 モデルペアは、受信機が正しく推測したかどうかを示す1ビットのフィードバックのみを使用して、秘密を伝えることができる。
  論文  参考訳（メタデータ） (2026-09-26T15:06:44Z)
• Diverse Evidence, Better Forecasts: Multi-Agent Deliberation Under Information Asymmetry [1.8983854039418835]
  すべてのエージェントが同一の証拠を与えられると、議論は真の信念の修正ではなく、隠れ家へと崩壊する。 本稿では,関連性を考慮したエビデンス・ルーティング,合理性に基づく反復的熟考,信頼度重み付けを組み合わせた枠組みを提案する。 375のバイナリ予測質問のベンチマークであるPolyGymでは、InfoDelphiが最強のシングルエージェントとマルチエージェントベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-07-02T03:41:25Z)
• Hierarchical Attacks for Multi-Modal Multi-Agent Reasoning [13.919211247193958]
  マルチモーダルマルチエージェントシステムのための階層的アタックフレームワークであるHAM$3$を紹介する。 認識層では、HAM$3$は視覚入力、テキスト入力、融合した視覚テキスト表現を摂動することで攻撃する。 通信層では、メッセージの内容と相互作用トポロジを破損させる通信レベルアタックを実行する。 推論層では、各エージェントの認知パイプラインに干渉する推論レベル攻撃を実行し、推論を偏り、最終的な決定を妥協する。
  論文  参考訳（メタデータ） (2026-05-13T09:06:21Z)
• Hear Both Sides: Efficient Multi-Agent Debate via Diversity-Aware Message Retention [31.583055847273826]
  Multi-Agent Debateは、大規模言語モデルの推論品質を改善するための有望なフレームワークとして登場した。 現在のアプローチは、放送前の低信頼応答をフィルタする不確実性推定に依存している。 本稿では,エージェント応答のサブセットを選択する軽量な討論フレームワークであるDiversity-Aware Retention (DAR)を提案する。
  論文  参考訳（メタデータ） (2026-03-21T04:27:47Z)
• Can an Individual Manipulate the Collective Decisions of Multi-Agents? [53.01767232004823]
  M-Spoilerは、マルチエージェントシステム内のエージェントインタラクションをシミュレートして、対向サンプルを生成するフレームワークである。 M-スポイラーは、敵対的サンプルの最適化を積極的に支援するスタブボーン剤を導入した。 本研究は,マルチエージェントシステムにおける個々のエージェントの知識によって引き起こされるリスクを検証した。
  論文  参考訳（メタデータ） (2025-09-20T01:54:20Z)
• Internalizing Self-Consistency in Language Models: Multi-Agent Consensus Alignment [22.305033366660187]
  言語モデル(LM)は矛盾する推論子であり、しばしば同じプロンプトに対する矛盾した応答を生成する。 適切に整合した推論モデルの本質的な性質として自己整合性を定式化し、MACA(Multi-Agent Consensus Alignment)を導入する。 MACAは、エージェントが自分自身をより決定的かつ簡潔に教えることを可能にし、外部の監督なしにマルチエージェント設定におけるピアインサイトをより活用する。
  論文  参考訳（メタデータ） (2025-09-18T17:27:28Z)
• Retrieval-Augmented Generation with Conflicting Evidence [57.66282463340297]
  大規模言語モデル (LLM) エージェントは、応答の事実性を改善するために、検索強化世代 (RAG) をますます採用している。 実際には、これらのシステムは曖昧なユーザクエリを処理し、複数のソースからの情報に衝突する可能性がある。 RAMDocs(Retrieval with Ambiguity and Misinformation in Documents)は,ユーザクエリのエビデンスを矛盾させるような,複雑で現実的なシナリオをシミュレートする新しいデータセットである。
  論文  参考訳（メタデータ） (2025-04-17T16:46:11Z)

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。