論文の概要: Credit Where Credit Is Due: Contrastive Attribution Topology Search for Multi-Agent Systems
- arxiv url: http://arxiv.org/abs/2610.29292v1
- Date: Wed, 21 Oct 2026 06:46:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.262364
- Title: Credit Where Credit Is Due: Contrastive Attribution Topology Search for Multi-Agent Systems
- Title（参考訳）: クレジットが原因:マルチエージェントシステムのコントラスト属性トポロジ検索
- Abstract要約: 単一のタスクスコアは、どのエージェントがパフォーマンスを手助けするか、妨げるのかを明らかにしません。
特殊エージェントの固定されたスーパーグラフ内のコンパクトなチームを探索するContrastive Topology Search (CATS)を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An LLM multi-agent system (MAS) is only as good as the agents it chooses to trust: its accuracy and cost hinge on its topology, meaning which agents are included and how they communicate. A single task score, however, does not reveal which agents help or hinder performance. We propose Contrastive Attribution Topology Search (CATS), which searches for compact teams within a fixed supergraph of specialized agents. An LLM attributer compares execution traces across candidate topologies and assigns credit to individual agents. CATS uses these credits to update supergraph edges while progressively pruning weak edges and agents, yielding a small team for deployment. With small open-weight models and matched candidate evaluations, CATS improves mean accuracy on BigCodeBench by 5.3 percentage points over score-only heuristic search while using 54\% fewer deployment tokens. On MBPP, CATS matches the strongest baselines with fewer tokens than the other searches. In a HotpotQA prompt-poisoning stress test, CATS excludes all adversarially prompted agents in all three runs, whereas random search retains some at comparable accuracy. Per-agent credit thus supports both team optimization and the pruning of potentially harmful agents.
- Abstract（参考訳）: LLMマルチエージェントシステム(MAS)は、その正確さとコストのヒンジ、すなわちどのエージェントが含まれ、どのように通信するかという、信頼するエージェントに匹敵する。
しかし、1つのタスクスコアは、どのエージェントがパフォーマンスを手助けするか、妨げるのかを明らかにしない。
本稿では,特定エージェントの固定されたスーパーグラフ内で,コンパクトなチームを探すContrastive Attribution Topology Search (CATS)を提案する。
LLMアトリビュータは、候補トポロジ間で実行トレースを比較し、個々のエージェントにクレジットを割り当てる。
CATSはこれらのクレジットを使用して、スーパーグラフエッジを更新すると同時に、弱いエッジとエージェントを徐々に刈り込み、デプロイのための小さなチームを生み出します。
小さなオープンウェイトモデルと一致した候補評価により、CATSは、デプロイトークンを54倍に減らしながら、スコアのみのヒューリスティック検索よりもBigCodeBenchの平均精度を5.3ポイント改善する。
MBPPでは、CATSは他の検索よりも少ないトークンで最強のベースラインにマッチする。
ホットポットQAの早送りストレステストでは、CATSは3つの実行すべてにおいて、敵対的に誘導される全てのエージェントを除外するが、ランダムサーチはある程度の精度で保持する。
エージェント単位のクレジットは、チーム最適化と潜在的に有害なエージェントのプルーニングの両方をサポートする。
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) - Scaling Discovery through Test-Time Communication [37.11075102731616]
テスト時間通信は、課題のあるタスクにおいて、独立した並列処理を著しく上回ることを示す。
私たちは、$k$通信エージェントのチームであるTeam@$k$が、4k$独立エージェントの成功率と一致していることに気付きました。
論文 参考訳（メタデータ） (2026-09-17T19:38:04Z) - Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems [67.04448659688579]
クエリ非依存の16エントリのコードブックを開発し、上位のデコード候補を1回のバッチフォワードパスでランク付けする。
反復検索がなく、テスト時にメッセージパッシングがないため、Codebook Agentは6つのベンチマークでもっとも正確な方法である。
論文 参考訳（メタデータ） (2026-09-02T08:10:22Z) - CONCAT: Consensus- and Confidence-Driven Ad Hoc Teaming for Efficient LLM-Based Multi-Agent Systems [28.51314301845782]
CONCATは、ConsensusとConfidence-driven Adhoc Teamingをベースにした、トレーニングフリーのマルチエージェントコラボレーションフレームワークである。
3つのLLMと3つのベンチマーク実験により、CONCATはLLM-Debateよりも最大2.02倍高い効率(精度/レイテンシ比)を達成することが示された。
論文 参考訳（メタデータ） (2026-05-28T08:47:54Z) - Graph-of-Agents: A Graph-based Framework for Multi-Agent LLM Collaboration [57.23877089929136]
Graph-of-Agents (GoA)はマルチエージェントLLM通信をモデリングするための新しいグラフベースのフレームワークである。
GoAは3つの選択されたエージェントしか使用せず、最近のマルチエージェントLCMベースラインよりも優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-04-18T21:13:03Z) - 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) - AgentArk: Distilling Multi-Agent Intelligence into a Single LLM Agent [57.10083973844841]
AgentArkは、マルチエージェントダイナミクスを単一のモデルの重みに蒸留する新しいフレームワークである。
各種モデル,タスク,スケーリング,シナリオの3つの階層的蒸留戦略について検討する。
シミュレーションからトレーニングへ計算の負担をシフトさせることで、蒸留されたモデルは、複数のエージェントの強い推論と自己補正性能を示しながら、一つのエージェントの効率を保ちます。
論文 参考訳（メタデータ） (2026-02-03T19:18:28Z) - Agentic Rubrics as Contextual Verifiers for SWE Agents [8.469998524915818]
本稿では,エージェントルーブリックがSWEエージェントに対して,効率的でスケーラブルで粒度の高い検証信号を提供することを示す。
結果から,Agenic rubricsは接地トルーステストと整合性を示し,テストが捉えない問題をフラグ付けする。
論文 参考訳（メタデータ） (2026-01-07T18:38:23Z) - 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) - Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。
Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。
SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
論文 参考訳（メタデータ） (2025-09-25T14:05:55Z) - Agent-Testing Agent: A Meta-Agent for Automated Testing and Evaluation of Conversational AI Agents [2.3429263075112288]
本稿では,静的コード解析,デザイナの尋問,文献マイニング,ペルソナ駆動の対人テスト生成を組み合わせたメタエージェントであるAgent-Testing Agent(ATA)を提案する。
各対話はLLM-as-a-Judge (LAAJ)ルーブリックでスコアされ、その後の試験をエージェントの最も弱い能力に向けて操るために使用される。
論文 参考訳（メタデータ） (2025-08-24T15:02:13Z)
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。