[論文レビュー] MiTa: A Hierarchical Multi-Agent Collaboration Framework with Memory-integrated and Task Allocation
MiTaは、記憶統合型エピソードサマリーと交渉対応のグローバルタスク割り当て機構を備えた階層的マネージャー–メンバー型マルチエージェントフレームワークを導入し、協調と長期的タスク性能を向上させる。ベースラインよりも、メンバーモデルが弱くても優れた性能を発揮する。
Recent advances in large language models (LLMs) have substantially accelerated the development of embodied agents. LLM-based multi-agent systems mitigate the inefficiency of single agents in complex tasks. However, they still suffer from issues such as memory inconsistency and agent behavioral conflicts. To address these challenges, we propose MiTa, a hierarchical memory-integrated task allocative framework to enhance collaborative efficiency. MiTa organizes agents into a manager-member hierarchy, where the manager incorporates additional allocation and summary modules that enable (1) global task allocation and (2) episodic memory integration. The allocation module enables the manager to allocate tasks from a global perspective, thereby avoiding potential inter-agent conflicts. The summary module, triggered by task progress updates, performs episodic memory integration by condensing recent collaboration history into a concise summary that preserves long-horizon context. By combining task allocation with episodic memory, MiTa attains a clearer understanding of the task and facilitates globally consistent task distribution. Experimental results confirm that MiTa achieves superior efficiency and adaptability in complex multi-agent cooperation over strong baseline methods.
研究の動機と目的
- メモリ不整合とエージェント間衝突に対処することで、マルチエージェントシステムにおける協調を改善する動機づけ。
- グローバルなタスク割り当てとエピソード記憶統合を可能にするAllocationとSummaryモジュールを備えた集中型マネージャを提案する。
- エピソディックメモリのサマリーを通じて長期的タスク追跡を可能にしつつ、エージェント間の交渉を通じて柔軟性を維持する。
- 様々なLLMとエージェント構成に対して頑健性と効率向上を実証する。
提案手法
- メンバーをPerception、Memory、Negotiation、Executionモジュールを備えたマネージャと複数のメンバーに構成する。
- マネージャにAllocationとSummaryモジュールを追加して、グローバルなタスク割り当てとエピソディックメモリ統合を実行する。
- 各エージェントがLLM推論を用いて次のステップを提案する交渉フェーズを実施し、グローバルアロケータが一貫性のある共同行動を選択する。
- タスクの進捗変更時に協働履歴を要約してエピソディックメモリ統合を実装し、将来の計画のための簡潔な協調サマリーを保存する。
- タスクを中央管理のMPOMDPとして定式化し、クロスエージェントの文脈に基づいて共同行動を割り当てる。
- 進捗更新をトリガーとするメモリ拡張サマリープロセスを提供し、長期的なコンテキストを保持する。
実験結果
リサーチクエスチョン
- RQ1専用の Allocationと Memory モジュールを備えた集中型マネージャは、階層的マルチエージェントシステムの協調をどのように改善できるか。
- RQ2エピソディックメモリのサマリーは長期的な文脈を保持し、長期タスクにおける情報喪失を減らせるか。
- RQ3交渉ベースの提案とグローバル割り当ては、異なるLLMやエージェント構成におけるタスク効率にどのような影響を与えるか。
- RQ4MiTaは弱いメンバーモデルやリソース制約設定に対して、ベースラインと比較してどれくらい堅牢か。
主な発見
| 番号 | 方法 | 洗い物 | 食料品を置く | 食事を準備する | テーブルを設置する | お茶を用意する | 平均 |
|---|---|---|---|---|---|---|---|
| 1 | MHP | 102.9 | 101.3 | 94.3 | 90.7 | 140.8 | 106.1 |
| 2 | MHP | 73.2 (+29%) | 65.4 (+35%) | 66.4 (+30%) | 56.9 (+37%) | 95.7 (+32%) | 71.5 (+33%) |
| 2 | CoELA | 47.3 (+54%) | 42.3 (+58%) | 50.7 (+46%) | 47.0 (+48%) | 69.1 (+51%) | 51.3 (+51%) |
| 2 | ProAgent | 45.5 (+55%) | 54.4 (+46%) | 46.4 (+51%) | 54.3 (+40%) | 69.2 (+51%) | 53.9 (49%) |
| 2 | MiTa (ours) | 51.1 (+49%) | 45.4 (+55%) | 46.3 (+51%) | 47.0 (+48%) | 54.6 (+61%) | 48.8 (+54%) |
| 3 | MHP | 58.2 (+43%) | 55.8 (+45%) | 61.3 (+35%) | 48.7 (+46%) | 85.6 (+39%) | 61.9 (+41%) |
| 3 | CoELA | 40.5 (+60%) | 34.7 (+65%) | 35.9 (+62%) | 37.9 (+58%) | 47.7 (+66%) | 39.3 (+63%) |
| 3 | ProAgent | 46.3 (+55%) | 36.4 (+64%) | 36.8 (+61%) | 41.3 (+54%) | 58.1 (+59%) | 43.8 (+58%) |
| 3 | MiTa (ours) | 39.7 (+ 61% ) | 30.9 ( +69% ) | 28.4 ( +70% ) | 33.2 (+ 63% ) | 39.7 (+ 72% ) | 34.4 (+ 68% ) |
- MiTaは、特に3エージェント構成で、強力なベースラインに対して複雑なマルチエージェント協調における効率と適応性を上回る。
- MiTaはCoELAとProAgentをほとんどのタスクで上回り、メンバーが弱いモデルを使用している場合でもほぼ最適な性能を示す。
- バックボーンLLMをより強力なモデルに置き換えると、必要なステップ数が一貫して減少することを示し、LLM選択に対する頑健性を示す。
- リソースが限られた設定では、メンバーが弱い場合のステップ数の増加はわずかだが、マネージャが弱いと協調が劣化する。
- アブレーションでは、allocationまたはsummaryモジュールを削除すると性能が低下し、集中型協調とメモリ統合の重要性を裏付ける。
- 3エージェント構成で最大の効果が観察され、5タスク全体でMiTaが最良の結果を達成する。
より良い研究を、今すぐ始めましょう
論文設計から論文執筆まで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。