論文の概要: DecArena: Evaluating Large-Scale Decentralized Multi-Agent Collaboration
- arxiv url: http://arxiv.org/abs/2611.15521v1
- Date: Wed, 11 Nov 2026 14:13:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.164924
- Title: DecArena: Evaluating Large-Scale Decentralized Multi-Agent Collaboration
- Title(参考訳): DecArena: 大規模分散マルチエージェントコラボレーションの評価
- Abstract要約: 本研究では,人体構造を自然に反映したグラフ制約型コミュニケーション下での分散マルチエージェントコラボレーションについて検討する。
実験の結果,近年のLLMエージェントは非局所的関連資源の発見に苦慮し,分散環境での協調作業が困難であることが判明した。
トポロジを意識したウォームアップと自己改善 LLM ベースのルーティングを組み合わせた,強力なベースラインである textbfGraphHarness を提案する。
- 参考スコア(独自算出の注目度): 28.525768735855973
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Emerging personal AI agents raise fundamental scalability and privacy concerns for centralized multi-agent systems (MASs), which rely on a global orchestrator with broad access to agents, resources, and communication. In decentralized environments, global visibility is unavailable. Agents need to proactively discover non-local resources (e.g. tools, skills), and collaborate with other agents to solve tasks. We study decentralized multi-agent collaboration under graph-constrained communication, a natural reflection of human structures. Each agent observes only its local state and can interact only with neighboring agents. We introduce a benchmark with synthetic scalable distributed tool calling with 100K+ tools. Our experiments reveal that recent LLM agents struggle to discover non-local relevant resources and collaborate in decentralized setting. Moreover, standard reinforcement learning fails to reliably overcome this limitation, suggesting that decentralized MAS needs more explicit harness mechanisms for effective collaboration, even using SOTA LLMs. We then present a strong baseline \textbf{GraphHarness}, combining topology-aware warmup with self-improving LLM-based routing. Results show that GraphHarness substantially improves task success (+48.5) and produces higher quality collaboration (+30.6), while using fewer costs (+34.0) than baselines.
- Abstract(参考訳): 新興のパーソナルAIエージェントは、エージェント、リソース、通信への広範なアクセスを持つグローバルオーケストレータに依存する集中型マルチエージェントシステム(MAS)に対して、基本的なスケーラビリティとプライバシ上の懸念を提起する。
分散環境では、グローバルな可視性は利用できない。
エージェントは、非ローカルリソース(例えば、ツール、スキル)を積極的に発見し、タスクを解決するために他のエージェントと協調する必要がある。
本研究では,人体構造を自然に反映したグラフ制約型コミュニケーション下での分散マルチエージェントコラボレーションについて検討する。
各エージェントは、そのローカル状態のみを観察し、隣接するエージェントのみと相互作用する。
100K以上のツールを使った,スケーラブルな分散ツールコールによるベンチマークを導入する。
実験の結果,近年のLLMエージェントは非局所的関連資源の発見に苦慮し,分散環境での協調作業が困難であることが判明した。
さらに、標準的な強化学習は、この制限を確実に克服することができず、分散MASは、SOTA LLMを使用しても、効果的なコラボレーションのためのより明確なハーネスメカニズムが必要であることを示唆している。
次に、トポロジを意識したウォームアップと自己改善LLMベースのルーティングを組み合わせた、強力なベースラインである「textbf{GraphHarness}」を示す。
結果は、GraphHarnessがタスク成功(+48.5)を大幅に改善し、ベースラインよりもコスト(+34.0)が少ない一方で、高品質なコラボレーション(+30.6)を生み出していることを示している。
関連論文リスト
- Multi-Agent Deep Reinforcement Learning Under Constrained Communications [2.7126292487109005]
本稿では,集中型批判者やグローバル情報の必要性を解消する分散マルチエージェント強化学習(MARL)フレームワークを提案する。
マルチホップ通信によるグローバルな状態推論を行う新しいグラフ注意ネットワーク(D-GAT)を開発した。
また、エージェントがローカルポリシーや値関数を最適化する分散MARLフレームワークである分散グラフアテンションMAPPO(DG-MAPPO)を開発した。
論文 参考訳(メタデータ) (2026-01-22T21:07:18Z) - Benchmarking LLMs' Swarm intelligence [51.648605206159125]
大規模言語モデル(LLM)は複雑な推論の可能性を秘めているが、マルチエージェントシステム(MAS)における創発的協調の能力はほとんど探索されていない。
分散エージェントとして機能するLDMのタスクを体系的に評価する新しいベンチマークであるSwarmBenchを紹介する。
本稿では,協調効率の指標を提案し,創発的グループダイナミクスを解析する。
論文 参考訳(メタデータ) (2025-05-07T12:32:01Z) - AgentNet: Decentralized Evolutionary Coordination for LLM-based Multi-Agent Systems [22.291969093748005]
AgentNet(エージェントネット)は、マルチエージェントシステムのための分散化された検索型生成(RAG)ベースのフレームワークである。
静的ロールや集中制御の以前のアプローチとは異なり、AgentNetはエージェントがローカルの専門知識とコンテキストに基づいて接続とタスクのルーティングを調整することができる。
実験の結果,AgentNetは単一エージェントと集中型マルチエージェントのベースラインよりも高いタスク精度を実現することがわかった。
論文 参考訳(メタデータ) (2025-04-01T09:45:25Z) - Collaborative Auto-Curricula Multi-Agent Reinforcement Learning with
Graph Neural Network Communication Layer for Open-ended Wildfire-Management
Resource Distribution [0.0]
我々は,グラフニューラルネットワーク(GNN)通信層を用いたMARL(Multi-Agent Reinforcement Learning)機構を構築した。
本研究は,山火事管理のための資源分布の文脈で実施する。
我々のMA通信提案は、Greedy Heuristic BaselineとSingle-Agent (SA)セットアップより優れている。
論文 参考訳(メタデータ) (2022-04-24T20:13:30Z) - Resource-Aware Distributed Submodular Maximization: A Paradigm for
Multi-Robot Decision-Making [3.5788754401889022]
Resource-Aware Distributed Greedyは、各ロボットのオンボードリソースを独立して考慮した最初のアルゴリズムである。
RAGは、中央集権化のトレードオフを、グローバルな準最適性、分散化、ほぼ最小のオンボード計算、通信、メモリリソースのトレードオフとバランス付けます。
論文 参考訳(メタデータ) (2022-04-15T15:47:05Z) - Decentralized Cooperative Multi-Agent Reinforcement Learning with
Exploration [35.75029940279768]
マルコフチーム(Markov team)において、最も基本的な協調環境でマルチエージェント強化学習を研究する。
本稿では,各エージェントが独立してステージベースのVラーニングスタイルのアルゴリズムを実行するアルゴリズムを提案する。
エージェントは、少なくとも$proptowidetildeO (1/epsilon4)$ episodesにおいて、$epsilon$-approximate Nash平衡ポリシーを学ぶことができる。
論文 参考訳(メタデータ) (2021-10-12T02:45:12Z) - Locality Matters: A Scalable Value Decomposition Approach for
Cooperative Multi-Agent Reinforcement Learning [52.7873574425376]
協調型マルチエージェント強化学習(MARL)は,エージェント数で指数関数的に大きい状態空間と動作空間により,スケーラビリティの問題に直面する。
本稿では,学習分散実行パラダイムに局所報酬を組み込んだ,新しい価値に基づくマルチエージェントアルゴリズム LOMAQ を提案する。
論文 参考訳(メタデータ) (2021-09-22T10:08:15Z) - F2A2: Flexible Fully-decentralized Approximate Actor-critic for
Cooperative Multi-agent Reinforcement Learning [110.35516334788687]
分散マルチエージェント強化学習アルゴリズムは複雑なアプリケーションでは実践的でないことがある。
本稿では,大規模で汎用的なマルチエージェント設定を扱える,柔軟な完全分散型アクター批判型MARLフレームワークを提案する。
当社のフレームワークは,大規模環境におけるスケーラビリティと安定性を実現し,情報伝達を低減できる。
論文 参考訳(メタデータ) (2020-04-17T14:56:29Z)
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。