論文の概要: EvolveMAS: A Unified Self-Evolution Framework for Decentralized Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2610.34450v1
• Date: Sun, 25 Oct 2026 17:09:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.615721
• Title: EvolveMAS: A Unified Self-Evolution Framework for Decentralized Multi-Agent Systems
• Title（参考訳）: EvolveMAS:分散マルチエージェントシステムのための統合自己進化フレームワーク
• Abstract要約: エピソード内およびエピソード間の体験駆動適応をサポートする統合自己進化フレームワークを提案する。 EvolveMASは、適応を2つの補完的なプロセス、Inside-Episode Online AdaptationとCross-Episode Knowledge Evolutionに分類する。 その結果,テスト時メモリガバナンスとクロスエポゾド知識の再利用により,パフォーマンスが向上することがわかった。
• 参考スコア（独自算出の注目度）: 54.923646165310345
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decentralized multi-agent systems (MAS) enable large language model agents to interact without centralized control. Agents need to adapt to other agents at test time and reuse accumulated experience to refine their interaction strategies for future interactions across cooperative, mixed-motive, and adversarial settings. However, existing approaches often develop adaptation mechanisms for particular interaction settings. This raises a central question: how can decentralized MAS support test-time adaptation and reliable experience reuse across interaction settings? We propose EvolveMAS, a unified self-evolution framework that supports experience-driven adaptation within and across episodes. EvolveMAS pairs each main agent with a dedicated MemoryAgent for test-time memory governance, which maintains isolated Structured Memory outside the main agent's reasoning context. EvolveMAS organizes adaptation into two complementary processes: Within-Episode Online Adaptation and Cross-Episode Knowledge Evolution. During Within-Episode Online Adaptation, MemoryAgent updates episodic, semantic, and working memory from interaction evidence to inform subsequent actions. During Cross-Episode Knowledge Evolution, the main agent uses memory and episode outcomes to distill reusable interaction knowledge comprising partner profiles and interaction strategies for subsequent episodes. Across five benchmarks and six evaluation configurations spanning the three interaction settings, EvolveMAS achieves the highest normalized average score of 77.2 among the compared methods. Ablations show that test-time memory governance and cross-episode knowledge reuse both improve performance. Interaction traces further illustrate how updated memory and distilled knowledge guide subsequent interactions. These results support experience-driven adaptation in decentralized MAS without updating model parameters.
• Abstract（参考訳）: 分散マルチエージェントシステム(MAS)は、大規模な言語モデルエージェントが集中制御なしで対話できるようにする。 エージェントはテスト時に他のエージェントに適応し、蓄積した経験を再利用して、協調的、混合的、敵対的な設定をまたいだ将来の相互作用のための相互作用戦略を洗練する必要がある。 しかし、既存のアプローチでは、特定のインタラクション設定への適応メカニズムがしばしば開発されている。 分散MASはテスト時間適応とインタラクション設定間の信頼性の高いエクスペリエンス再利用をどのようにサポートするのか? エピソード間の体験駆動適応をサポートする統合自己進化フレームワークであるEvolveMASを提案する。 EvolveMASは、メインエージェントとテスト時のメモリ管理専用のMemoryAgentをペアリングする。 EvolveMASは、適応を2つの補完的なプロセス、Inside-Episode Online AdaptationとCross-Episode Knowledge Evolutionに分類する。 Inside-Episode Online Adaptationの間、MemoryAgentは対話証拠からエピソード、セマンティック、ワーキングメモリを更新し、その後のアクションを知らせる。 クロスエピソード知識進化の間、主エージェントは記憶とエピソードの結果を使用して、パートナープロファイルとその後のエピソードのインタラクション戦略を含む再利用可能なインタラクション知識を再生する。 3つのインタラクション設定にまたがる5つのベンチマークと6つの評価設定で、EvolveMASは比較手法の中で77.2という高い正規化平均スコアを達成している。 アブレーションは、テスト時のメモリガバナンスとクロスエピソード知識の再利用の両方がパフォーマンスを改善していることを示している。 相互作用トレースはさらに、更新された記憶と蒸留された知識がその後の相互作用をどのように導くかを示す。 これらの結果は、モデルパラメータを更新することなく、分散MASにおける経験駆動適応を支援する。

関連論文リスト

• CoEvolve: Counterfactual-Guided Co-Evolution of Memory and Collaboration in Multi-Agent Systems [11.43999584298114]
  大規模言語モデル(LLM)に基づくマルチエージェントシステムは、多様なタスクにまたがる顕著な機能を示した。 しかし、メモリとコラボレーティブアーキテクチャは静的のままで、時間の経過とともに継続的な適応と改善を制限します。 最近の作業では、メモリの進化やインタラクションエクスペリエンスに基づいたコラボレーションによって、この制限に対処しています。 本稿では,メモリアライメント・コラボレーション進化のためのスキル中心のフレームワークであるCoEvolveを提案する。
  論文  参考訳（メタデータ） (2026-10-24T08:35:39Z)
• Interactive Memory Learning for Long-Term Conversations [30.375942250315145]
  ICML(InteraCtive Memory Learning)は、受動的アーカイブから学習可能な対話型メモリポリシーに変換するマルチエージェントフレームワークである。
  論文  参考訳（メタデータ） (2026-09-15T12:21:41Z)
• Self-Evolving Memory for Generative Recommendation [100.15207958893029]
  生成的レコメンデーションは、パーソナライズされたレコメンデーションのための有望なエンドツーエンドパラダイムとして登場した。 継続的再訓練や蒸留に基づく適応といった既存の進化戦略は、共有モデルパラメータを直接更新する。 本稿では,異種行動パターン間の効果的な進化を実現することを目的とした,自己進化型メモリパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-09-14T14:00:38Z)
• Learning What to Remember and What to Internalize in LLM Self-Evolution via Adaptive Memory-Parameter Coordination [40.98046592234726]
  我々は,統合エージェントの自己進化フレームワークであるCOVEを紹介する。 これは、タスク対応ルーティング、ステージ対応スケジューリング、知識最適化を通じて、ハーネスベースとパラメータベースの学習を組み合わせる。 COVEは単一チャネルの進化戦略より優れており、環境の変化によるより堅牢で効率的な改善を実証している。
  論文  参考訳（メタデータ） (2026-08-02T13:39:01Z)
• Social Hippocampus Memory Learning [54.381608978482184]
  SoHipはメモリ中心のソーシャル機械学習フレームワークだ。 モデル共有ではなく、メモリ共有を通じて異種エージェント間の協調を可能にする。 7つのベースラインを持つ2つのベンチマークデータセットの実験は、SoHipが既存のメソッドを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-26T16:31:00Z)
• MemEvolve: Meta-Evolution of Agent Memory Systems [66.09735157017558]
  自己進化型メモリシステムは、大型言語モデル(LLM)ベースのエージェントの進化パラダイムを前例のない形で再構築している。 MemeEvolveは、エージェントの経験的知識とメモリアーキテクチャを共同で進化させるメタ進化フレームワークである。 EvolveLabは、12の代表的なメモリシステムをモジュール設計空間に蒸留する、統一された自己進化型メモリである。
  論文  参考訳（メタデータ） (2025-12-21T14:26:14Z)
• ReasoningBank: Scaling Agent Self-Evolving with Reasoning Memory [57.517214479414726]
  ReasoningBankは、エージェントの自己判断の成功と失敗の経験から一般化可能な推論戦略を抽出するメモリフレームワークである。 テスト時には、エージェントがReasoningBankから関連する記憶を取得してそのインタラクションを知らせ、新しい学習を統合することで、時間が経つにつれてより有能になる。 本稿では,エージェントのインタラクションエクスペリエンスをスケールアップすることにより,学習プロセスの高速化と多様化を図るメモリ対応テストタイムスケーリング(MaTTS)を提案する。
  論文  参考訳（メタデータ） (2025-09-29T17:51:03Z)
• Memory Sharing for Large Language Model based Agents [43.53494041932615]
  本稿では,リアルタイムメモリフィルタ,ストレージ,検索を統合し,In-Context学習プロセスを強化するためのフレームワークであるMemory Sharingを紹介する。 実験の結果,MSフレームワークはオープンな質問に対処する際のエージェントの性能を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2024-04-15T17:57:30Z)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)

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。