[論文レビュー] Unified-MAS: Universally Generating Domain-Specific Nodes for Empowering Automatic Multi-Agent Systems

Hehai Lin, Yu Yan+7 more|arXiv (Cornell University)|Mar 23, 2026

Advanced Graph Neural Networks被引用数 0

ひとこと要約

本論文は、外部知識からドメイン特有ノードを合成し、それを難問度（perplexity）に基づく報酬で最適化するオフラインの二段階フレームワークUnified-MASを提案し、知識集約型ドメインにおけるAutomatic-MASの性能を向上させつつコストを削減する。

ABSTRACT

Automatic Multi-Agent Systems (MAS) generation has emerged as a promising paradigm for solving complex reasoning tasks. However, existing frameworks are fundamentally bottlenecked when applied to knowledge-intensive domains (e.g., healthcare and law). They either rely on a static library of general nodes like Chain-of-Thought, which lack specialized expertise, or attempt to generate nodes on the fly. In the latter case, the orchestrator is not only bound by its internal knowledge limits but must also simultaneously generate domain-specific logic and optimize high-level topology, leading to a severe architectural coupling that degrades overall system efficacy. To bridge this gap, we propose Unified-MAS that decouples granular node implementation from topological orchestration via offline node synthesis. Unified-MAS operates in two stages: (1) Search-Based Node Generation retrieves external open-world knowledge to synthesize specialized node blueprints, overcoming the internal knowledge limits of LLMs; and (2) Reward-Based Node Optimization utilizes a perplexity-guided reward to iteratively enhance the internal logic of bottleneck nodes. Extensive experiments across four specialized domains demonstrate that integrating Unified-MAS into four Automatic-MAS baselines yields a better performance-cost trade-off, achieving up to a 14.2% gain while significantly reducing costs. Further analysis reveals its robustness across different designer LLMs and its effectiveness on conventional tasks such as mathematical reasoning.

研究の動機と目的

• 現在のAutomatic-MASが知識集約型ドメインでドメイン事前知識の欠如により直面する限界を特定する。
• ノード実装をトポロジーオーケストレーションから分離し、ドメイン固有ノードをオフラインで合成する。
• 頑健なドメイン認識ノードを生み出すための二段階フレームワーク（探索ベースのノード生成と報酬ベースのノード最適化）を開発する。
• 生成したノードを統合することで、複数の専門ベンチマークにおいて性能向上とコスト削減を示す。

提案手法

• 探索ベースのノード生成：タスクサンプルから多次元ドメインキーワードを抽出し、外部のオープンワールド知識（Google、GitHub、Google Scholar）を取得、戦略ガイド付きプロンプトから初期のドメイン固有ノードを合成する。
• 報酬ベースのノード最適化：ノード推論を軌跡として扱い、難解性（perplexity）ベースの報酬でボトルネックノードを評価・反復的に改良する。
• 難解性ベースの目的関数：J(Pθ,y,q,A_t) = -log(PPL(y|q,A_t))；Jが高いほど予測しやすさが良いことを示す。
• 各ノードの改善スコアと一貫性スコアを計算し、ノード品質スコアS_tを形成して反復最適化を誘導する。
• 検証サンプル全体の平均報酬によりボトルネックノードv*を特定し、Kエポックにわたり内部実装を改良する。
• Integratorダイナミクス：オフラインのノード合成を既存のAutomatic-MASベースラインに組み込み、性能とコストのトレードオフを評価する。）

実験結果

リサーチクエスチョン

• RQ1 オフライン生成によるドメイン固有ノードは、知識集約型ドメインにおけるAutomatic-MASの性能を改善できるか？
• RQ2 perplexity-guided報酬最適化は、合成ノード内部の論理を信頼性高く強化するか？
• RQ3 Unified-MASは設計者LLMの異なるモデルに対して頑健で、数学のような一般的でない領域にも一般化可能か？
• RQ4 既存のMASベースラインにドメイン固有ノードライブラリを追加することの性能とコストへの影響はどうなるか？

主な発見

• Unified-MASは4つの専門ベンチマークで一貫した性能向上をもたらし、平均最大14.2%の性能改善を達成。
• Unified-MASのドメイン固有ノードを統合することで、ベースライン全体でコストを削減。
• 本手法は異なるデザイナーLLM（例：Gemini-3-Pro、Gemini-3-Flash、GPT-5-Mini）に対して頑健で、数学のような一般領域にも一般化可能。
• 難解性ガイド付き最適化はノード品質を段階的に改善し、エポックを通じてボトルネックを洗練する。
• ドメイン groundedなしの動的ノード生成法は不安定さを示す一方、Unified-MASは安定した、ドメインに根ざした改善を提供。
• 定性的分析は、Unified-MASが単なる表面的なアンサンブルではなく、構造化された専門家のようなパイプラインを作り出すことを示す（例：司法ワークフロー）。