論文の概要: HEDGE: Gated Hypergraph Memory for Scalable Multi-Agent Debate

• arxiv url: http://arxiv.org/abs/2610.38902v1
• Date: Wed, 28 Oct 2026 20:57:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 08:19:59.412064
• Title: HEDGE: Gated Hypergraph Memory for Scalable Multi-Agent Debate
• Title（参考訳）: HEDGE: スケーラブルなマルチエージェント議論のための拡張ハイパーグラフメモリ
• Abstract要約: マルチエージェントの議論システムでは、エージェントは複数のラウンドで議論を維持し、再検討する必要がある。 既存のフラットとペアワイドの記憶も高次関係を捉えるのに苦労している。 我々は、議論の軌跡を意味的ハイパーグラフとして表現する選択記憶フレームワークであるHEDGEを紹介する。
• 参考スコア（独自算出の注目度）: 7.626650770346068
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent debate systems require agents to retain and revisit arguments across multiple rounds, yet limited context windows and unstructured memories make relevant information increasingly difficult to recover. Existing flat and pairwise-graph memories also struggle to capture higher-order relations, including multi-agent agreement, conflicting evidence, and evolving consensus. We introduce HEDGE, a selective memory framework that represents debate trajectories as semantic hypergraphs. Hyperedges connect related claims across agents, while intra-hyperedge relational graphs preserve fine-grained argumentative structure. A learned memory selection module (MSM), trained through supervised learning and reinforcement learning, routes each memory candidate to STORE, BACKUP, or OMIT, retaining useful information while limiting redundancy. Across seven diverse benchmarks, HEDGE consistently outperforms strong single-agent, multi-agent, and memory baselines, improving accuracy by 5.0 points on average over the strongest multi-agent system with GPT-4o-mini. The gains reach 8.2 points on conflict-heavy tasks, while HEDGE reduces memory usage by 48% and the number of debate rounds by 34%.
• Abstract（参考訳）: マルチエージェントの議論システムでは、エージェントは複数のラウンドにわたる議論を維持し、再考する必要があるが、コンテキストウィンドウや構造化されていない記憶は関連情報を回復することがますます困難になる。 既存のフラットかつペアワイドな記憶は、マルチエージェント合意、矛盾する証拠、進化するコンセンサスを含む高次の関係を捉えるのにも苦労している。 我々は、議論の軌跡を意味的ハイパーグラフとして表現する選択記憶フレームワークであるHEDGEを紹介する。 ハイパーエッジはエージェント間で関連するクレームを結合するが、ハイパーエッジ内リレーショナルグラフはきめ細かい議論構造を保持する。 教師付き学習と強化学習によって訓練された学習メモリ選択モジュール(MSM)は、各メモリ候補をSTORE、BACKUP、OMITにルーティングし、冗長性を制限しながら有用な情報を保持する。 7つの異なるベンチマークで、HEDGEは強いシングルエージェント、マルチエージェント、メモリベースラインを一貫して上回り、GPT-4o-miniを持つ最強のマルチエージェントシステムよりも平均5.0ポイント精度を向上させる。 HEDGEはメモリ使用量を48%削減し、議論ラウンドの数は34%削減した。

関連論文リスト

• WorldMemArena: Evaluating Multimodal Agent Memory Through Action-World Interaction [72.1620416874118]
  マルチモーダルな言語モデルは、長距離エージェントとしてますます多くデプロイされている。 既存のベンチマークは、静的対話上のリコールを測定し、メモリを1つのタスクの精度に分解し、キャプションに対する視覚的な観察を減らす。 マルチモーダルエージェントメモリを,観測可能な4段階ライフサイクルを持つアクションワールドインタラクションループとして定式化する。
  論文  参考訳（メタデータ） (2026-05-28T04:27:20Z)
• MINTEval: Evaluating Memory under Multi-Target Interference in Long-Horizon Agent Systems [69.06764269022925]
  本研究では,現在の記憶増強剤が現実的,干渉重大,長期的設定において果たす役割について検討する。 MINTEvalは、頻繁に更新される情報を備えた、長く高度に相互接続されたコンテキストを特徴とするベンチマークである。 MINTEvalは128.8kのトークンを平均で1インスタンスあたり1.8Mのトークンに拡張し、15.6kの質問応答ペアを持つ。
  論文  参考訳（メタデータ） (2026-05-18T15:43:35Z)
• GroupMemBench: Benchmarking LLM Agent Memory in Multi-Party Conversations [25.703133924514884]
  大規模言語モデル(LLM)エージェントは、ますますパーソナルアシスタントや職場の協力者として機能している。 既存のメモリシステムとベンチマークは、Dyadicのシングルユーザ設定を中心に構築されている。 グループメモリの3つの特性を公開するベンチマークであるGroupMemBenchを紹介する。
  論文  参考訳（メタデータ） (2026-05-14T07:38:29Z)
• MemReranker: Reasoning-Aware Reranking for Agent Memory Retrieval [37.54115468116941]
  本報告では,Qwen3-Reranker を用いた多段 LLM 知識蒸留によるリグレードモデルファミリ MemReranker (0.6B/4B) について紹介する。 メモリ検索ベンチマークでは、MemReranker-0.6BはBGE-Rerankerを大きく上回り、オープンソースの4B/8BモデルとGPT-4o-miniをキーメトリクスでマッチングする。 MemReranker-4B はさらに 0.737 MAP を達成し、Gemini-3-Flash と同等のメトリクスを持つ一方で、推論遅延を10-20%の大型モデルで維持している。
  論文  参考訳（メタデータ） (2026-05-07T12:33:57Z)
• AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
  複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。 AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
  論文  参考訳（メタデータ） (2026-01-28T08:09:49Z)
• SMAGDi: Socratic Multi Agent Interaction Graph Distillation for Efficient High Accuracy Reasoning [7.754609745940422]
  SMAGDiは,5歳以上のラマ系MASの議論力学を,コンパクトなソクラティック・デコンポサ・ソルバの学生に伝達するフレームワークである。 StrategyQAとMMLUでは、SMAGDiは40Bのマルチエージェントシステムを6Bの学生に圧縮し、精度の88%を維持している。
  論文  参考訳（メタデータ） (2025-10-29T04:05:10Z)

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。