論文の概要: EMMA: Structured Episodic Memory for Multi-Agent Workflow Synthesis
- arxiv url: http://arxiv.org/abs/2610.35966v1
- Date: Sun, 25 Oct 2026 18:00:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.375618
- Title: EMMA: Structured Episodic Memory for Multi-Agent Workflow Synthesis
- Title（参考訳）: EMMA:マルチエージェントワークフロー合成のための構造化エピソードメモリ
- Abstract要約: 本稿では,マルチエージェントシステムの構成をエピソードメモリとして扱うEMMAを提案する。
すべてのベンチマークで最高のパフォーマンスを達成し、最強のベースラインを32.5%上回った。
最も効率的なベースラインよりも17～38%少ないトレーニング実行を使用する。
- 参考スコア（独自算出の注目度）: 24.87718106125688
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deploying LLM agents in specialized domains often require fine-grained task-specific procedures and knowledge a general model lacks, yet parameter training is costly and non-interpretable, and hand-engineered agent systems shift the cost to expert labor. Episodic memory updates at context level, but single agent adaptation struggles to alleviate cross-task interference, especially with complex tasks such as multi-application navigation or data pool analysis. Although multi-agent evolution alleviates this problem, existing methods lack clear definitions on update rules and rely on the backbone model to decide where and how much the system changes. This ill-scoped evolution makes learning follow the backbone's structural preferences rather than the observed failures: one backbone accumulates skills while another spawns agents. We present EMMA (structured Episodic Memory for Multi-Agent workflow synthesis), which treats the configuration of a multi-agent system (controller routing memory, specialists inheriting a generalist prompt, and per-step procedural skills) as episodic memory. EMMA makes the ownership and admissibility of updates explicit: a reflector assigns each diagnosed failure to the scope owning its correction and proposes one edit within it, and backbone-independent guards keep every accepted edit scoped, incremental and bounded. Across KramaBench, AppWorld and BBEH with five backbones and four baselines (ACE, GEPA, EvoMAS and ADAS), EMMA attains the best overall performance on every benchmark, up to 32.5% over the strongest baseline, maintains consistent improvements across backbones, and uses 17-38% fewer training executions than the most efficient baseline.
- Abstract（参考訳）: 特殊なドメインにLLMエージェントを配置するには、一般的なモデルに欠けているきめ細かなタスク固有の手順と知識を必要とすることが多いが、パラメータトレーニングは高価で非解釈可能であり、手作業のエージェントシステムは、コストを専門家の労働にシフトさせる。
エピソードメモリは、コンテキストレベルで更新されるが、シングルエージェント適応は、特にマルチアプリケーションナビゲーションやデータプール分析のような複雑なタスクにおいて、タスク間の干渉を軽減するのに苦労する。
マルチエージェントの進化によりこの問題は軽減されるが、既存のメソッドでは更新ルールを明確に定義できず、バックボーンモデルに依存して、システムの変更点と変更点を決定する。
この不測の進化により、学習は観察された失敗よりも背骨の構造的好みに従う。
EMMA(Structured Episodic Memory for Multi-Agent workflow synthesis)は,マルチエージェントシステム(コントローラルーティングメモリ,ジェネラリストプロンプトを継承するスペシャリスト,手順毎の手続きスキル)の構成をエピソードメモリとして扱う。
EMMAは、更新のオーナシップと許容性を明示する: リフレクタは、診断された各障害を、その修正を所有するスコープに割り当て、内部に1つの編集を提案し、バックボーン非依存のガードは、受け入れた編集スコープを、インクリメンタルかつバウンダリに保持する。
クラマベンチ、AppWorld、BBEHには5つのバックボーンと4つのベースライン(ACE、GEPA、EvoMAS、ADAS)があり、EMMAは全てのベンチマークで最高パフォーマンスを達成し、最強ベースラインを最大32.5%上回り、バックボーン間の一貫した改善を維持し、最も効率的なベースラインよりも17～38%少ないトレーニング実行を使用する。
関連論文リスト
- Dynamic Expert Pruning for Multi-Agent Systems [20.336299697023954]
Mixture-of-Experts (MoE)アーキテクチャは、トークンごとに少数の専門家をアクティベートすることで、言語モデルを効率的にスケールする。
専門家のプルーニングは、このフットプリントを減らすが、既存のメソッドは静的である。
エージェントのシステムとタスクプロンプトは、エージェントとタスクが必要とする専門家を特定するのに十分である。
論文 参考訳（メタデータ） (2026-10-02T07:45:30Z) - ASAD: Adaptive Software Agents for Debugging [0.19116784879310023]
本稿では,各バグの性質と複雑さに応じてチームを構成するデバッグのための適応エージェントシステムASADを紹介する。
集中的なコーディネータは、反復的な計画、リフレクション、実行を通じて、このプロセスを編成します。
我々は,Defects4J,DebugBench,CodeFlawsの3つのベンチマークに対して,DeepSeek-V3,Qwen-3,GPT-5などの複数のLSMを用いてASADを評価する。
論文 参考訳（メタデータ） (2026-09-30T19:32:44Z) - Memory-Augmented LLM-based Multi-Agent System for Automated Feature Generation on Tabular Data [52.80567461420316]
メモリ拡張LPMに基づくマルチエージェントシステム(textbfMALMAS)を提案する。
MALMASは生成プロセスを独立した責任を持つエージェントに分解し、ルータエージェントはイテレーション毎にエージェントの適切なサブセットを起動する。
さらに、手続きメモリ、フィードバックメモリ、概念記憶を含むメモリモジュールを統合し、その後の特徴生成を適応的に導く反復的改善を可能にする。
論文 参考訳（メタデータ） (2026-04-22T07:09:30Z) - Shifting Adaptation from Weight Space to Memory Space: A Memory-Augmented Agent for Medical Image Segmentation [18.026494321724943]
重み空間からメモリ空間への適応をシフトさせるメモリ拡張セグメンテーションエージェント(MemSeg-Agent)を提案する。
MemSeg-Agentは、軽量な静的、数ショット、テスト時のワーキングメモリを備えた固定バックボーンを条件とする。
4つのパブリックデータセットの実験は、強いパフォーマンスとドメインシフトに対する堅牢性を示している。
論文 参考訳（メタデータ） (2026-03-06T03:49:23Z) - Architecture-Aware Multi-Design Generation for Repository-Level Feature Addition [53.50448142467294]
RAIMは、リポジトリレベルの機能追加のための、多設計およびアーキテクチャ対応のフレームワークである。
複数の多様な実装設計を生成することで、線形パッチから切り離される。
NoCode-bench Verifiedデータセットの実験では、RAIMが新しい最先端のパフォーマンスを確立することが示されている。
論文 参考訳（メタデータ） (2026-03-02T12:50:40Z) - MetaGen: Self-Evolving Roles and Topologies for Multi-Agent LLM Reasoning [11.023742160114763]
推論時に役割空間とコラボレーショントポロジの両方を適応させる、トレーニング不要のフレームワークであるMetaGenを紹介します。
MetaGenは、強力なマルチエージェントベースラインに対する精度とコストのトレードオフを改善する。
論文 参考訳（メタデータ） (2026-01-27T07:24:35Z) - Memory-Integrated Reconfigurable Adapters: A Unified Framework for Settings with Multiple Tasks [29.90641701972515]
生物は、捕食者を避けること、捕食、荒れ果てた地形を横切ること、社会化など、しばしばミリ秒以内の作業の間を常に方向転換する。
本稿では,共有バックボーン上にHopfieldスタイルの連想メモリモジュールを統合する統一フレームワークを提案する。
標準ベンチマークの実証評価により、AMアーキテクチャが適応性と保持性を著しく向上することを確認した。
論文 参考訳（メタデータ） (2025-11-30T15:45:55Z) - Metacognitive Self-Correction for Multi-Agent System via Prototype-Guided Next-Execution Reconstruction [58.51530390018909]
大規模言語モデルに基づくマルチエージェントシステムは、協調的な問題解決において優れているが、エラーのカスケードには脆弱である。
我々は,MASにリアルタイム,教師なし,ステップレベルの誤り検出と自己補正を付与するメタ認知フレームワークMASCを提案する。
論文 参考訳（メタデータ） (2025-10-16T05:35:37Z) - Improving Retrieval-Augmented Generation through Multi-Agent Reinforcement Learning [88.55095746156428]
Retrieval-augmented Generation (RAG) は、外部知識を大規模言語モデルに組み込むために広く利用されている。
標準的なRAGパイプラインは、クエリ書き換え、文書検索、文書フィルタリング、回答生成など、いくつかのコンポーネントで構成されている。
本稿では,複数コンポーネントからなる複雑なRAGパイプラインを多エージェント協調作業として扱うことを提案する。
論文 参考訳（メタデータ） (2025-01-25T14:24:50Z) - LiNeS: Post-training Layer Scaling Prevents Forgetting and Enhances Model Merging [80.17238673443127]
LiNeSは、微調整タスク性能を向上しつつ、事前訓練された一般化を維持するために設計されたポストトレーニング編集技術である。
LiNeSは、視覚と自然言語処理のさまざまなベンチマークにおいて、シングルタスクとマルチタスクの両方で大幅に改善されている。
論文 参考訳（メタデータ） (2024-10-22T16:26:05Z) - MetaPerturb: Transferable Regularizer for Heterogeneous Tasks and
Architectures [61.73533544385352]
本稿ではメタパーターブ(MetaPerturb)というトランスファー可能な摂動モデルを提案する。
MetaPerturbは、レイヤやタスクにまたがる多様な分散を訓練したセット関数であるため、異種タスクやアーキテクチャを一般化することができる。
論文 参考訳（メタデータ） (2020-06-13T02:54:59Z)
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。