論文の概要: Local Work, Global Progress: A Convergence Theory of AI Agent Collaboration

• arxiv url: http://arxiv.org/abs/2610.28286v1
• Date: Tue, 20 Oct 2026 14:37:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.856825
• Title: Local Work, Global Progress: A Convergence Theory of AI Agent Collaboration
• Title（参考訳）: ローカルワークとグローバルプログレス:AIエージェントコラボレーションの収束理論
• Abstract要約: 我々はブロック最適化として協調的な問題解決を定式化する。 コーディネータは、グローバルな目的に対して全ての提案をチェックし、干渉しない提案をマージする。 線形収束を誤差フロアまで証明し、補正が正確であれば消滅する。
• 参考スコア（独自算出の注目度）: 53.657104889705856
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Teams of large language model (LLM) agents are increasingly applied to complex tasks, but their collaboration protocols are mostly designed empirically, without convergence guarantees. We formalize collaborative problem solving as block optimization: each agent improves one part of a shared solution, guided by its local objective plus a correction for how its changes affect the other parts. A coordinator checks every proposal against the global objective and merges proposals that do not interfere with each other. We prove linear convergence up to an error floor that vanishes when the corrections are exact. Interfering proposals can also be merged once their combination has been checked; the rate then depends on how well the proposals actually combine, not on worst-case interactions. With GPT-OSS-120B agents on robot routing, a three-agent team finds collision-free plans in every run, better than those of a single agent that controls all robots. On a larger routing task, a six-agent team completes its search about twice as fast as the single agent (in median). Merging the best checked combination of proposals, rather than only proposals that do not interfere, cuts the team's search time by about 30%. With constants measured on the runs, our convergence bound holds in every round and follows the observed progress. We also test the theory on query planning in SQLite and on a synthetic task.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントのチームは、複雑なタスクにますます適用されているが、そのコラボレーションプロトコルは主に、収束を保証することなく、経験的に設計されている。 各エージェントは、その局所的な目的と、その変更が他の部分に与える影響の補正によって、共有ソリューションの一部分を改善します。 コーディネータは、グローバルな目的に対して全ての提案をチェックし、干渉しない提案をマージする。 線形収束を誤差フロアまで証明し、補正が正確であれば消滅する。 干渉提案は、組み合わせがチェックされた後にマージすることもでき、そのレートは、最悪のケースの相互作用ではなく、提案が実際にどれだけうまく結合するかに依存する。 ロボットのルーティングにGPT-OSS-120Bエージェントを使用すると、3人のエージェントチームは、すべてのロボットを制御する単一のエージェントよりも、すべての実行時に衝突のない計画を見つける。 大きなルーティングタスクでは、6人のエージェントチームが単一のエージェント(中央値)の約2倍の速さで検索を完了します。 干渉しない提案だけでなく、ベストチェックされた提案を組み合わせることで、チームの検索時間を約30%削減できる。 ランで測定された定数により、収束境界はすべてのラウンドに保持され、観測された進行に従う。 また、SQLiteにおけるクエリプランニングの理論と、合成タスクについても検証する。

関連論文リスト

• Verifying Coordination in Parallel Coding Agents: NP-Bench and a Scheduling Planner [0.0]
  コーディングエージェントのチームは、エージェントによって優れたエージェントに見えるが、チームとして失敗する。 各作業項目の宣言されたスコープを取得し、不整合スコープに分割し、プロデューサ>コンシューマグラフに沿ってマージを順序付けする。 我々は、このプランナーをNerveplaneに組み込み、環境条件下での3本腕ベンチマークであるNP-Benchで評価する。
  論文  参考訳（メタデータ） (2026-10-05T19:02:27Z)
• Agensh: Scaling Organizational Intelligence to 1,024 Agents [85.08934183130329]
  Agenshは、中央のオーケストレータを持たないスケーラブルな自己組織化マルチエージェントハーネスである。 GPT-5.6-sol を用いて,最も難しい ProgramBench タスクを5つ評価した。 1から128エージェントへのスケーリングでは、最終テストパス率は19.31%から28.78%に上昇する。 パンドックでは、1から1,024のエージェントが最終テストパスレートを33.89%から55.06%に引き上げる。
  論文  参考訳（メタデータ） (2026-09-22T17:56:25Z)
• 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)
• Colosseum: Auditing Collusion in Cooperative Multi-Agent Systems [55.51100373104311]
  マルチエージェント設定におけるLLMエージェントの協調動作を監査するためのフレームワークであるColosseumを提案する。 コロッセウムは、異なる目的、説得戦術、ネットワークトポロジの下で、それぞれのLSMを照合するためにテストする。 我々は、エージェントがテキストでコラージュするが、しばしば非コラージュ的な行動を選ぶときに、論文上での「共謀」を発見する。
  論文  参考訳（メタデータ） (2026-02-16T21:27:38Z)
• When Disagreements Elicit Robustness: Investigating Self-Repair Capabilities under LLM Multi-Agent Disagreements [56.29265568399648]
  我々は、不一致が早期のコンセンサスを防ぎ、探索されたソリューション空間を拡張することを主張する。 タスククリティカルなステップの相違は、ソリューションパスのトポロジによってコラボレーションを損なう可能性がある。
  論文  参考訳（メタデータ） (2025-02-21T02:24:43Z)
• Preventing Rogue Agents Improves Multi-Agent Collaboration [21.955058255432974]
  本稿では,アクション予測中にエージェントを監視し,将来エラーが発生する可能性がある場合に介入することを提案する。 WhoDunitEnv、コード生成タスク、そしてリソース持続可能性のためのGovSim環境の実験は、我々のアプローチがパフォーマンスを大幅に向上させることを示している。
  論文  参考訳（メタデータ） (2025-02-09T18:35:08Z)
• Multi-agent Deep Covering Skill Discovery [50.812414209206054]
  本稿では,複数エージェントの結合状態空間の予測被覆時間を最小化し,マルチエージェントオプションを構築するマルチエージェントDeep Covering Option Discoveryを提案する。 また、MARLプロセスにマルチエージェントオプションを採用するための新しいフレームワークを提案する。 提案アルゴリズムは,アテンション機構とエージェントの相互作用を効果的に把握し,マルチエージェントオプションの同定に成功した。
  論文  参考訳（メタデータ） (2022-10-07T00:40:59Z)
• Distributed Bandits with Heterogeneous Agents [38.90376765616447]
  本稿では、M$エージェントが協力して$K$武器の盗賊問題を解くマルチエージェントの盗賊設定に取り組む。 本稿では,ucbo と AAE の2つの学習アルゴリズムを提案する。 Oleft(sum_i:tildeDelta_i>0 log T/tildeDelta_iright)$, $tildeDelta_i$は報酬平均の最小部分最適差である。
  論文  参考訳（メタデータ） (2022-01-23T20:04:15Z)
• Subdimensional Expansion Using Attention-Based Learning For Multi-Agent Path Finding [9.2127262112464]
  MAPF(Multi-Agent Path Finding)は、各開始点から目標地点までの複数のエージェントに対する競合のないパスを見つける。 我々は、この学習に基づくシングルエージェントプランナーをM*に統合することにより、LM*と呼ばれる新しいマルチエージェントプランナーを開発する。 以上の結果から,M* と比較した場合,LM* はコンフリクトが少なく,高速に動作し,高い成功率を享受できることがわかった。
  論文  参考訳（メタデータ） (2021-09-29T20:01:04Z)

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。