マルチエージェントの推論と協調における弱点リンク最適化（Weak-Link Optimization）

概要: LLM駆動のマルチエージェントフレームワークは、多ロールの協調によって複雑な推論タスクに対処します。しかし、既存のアプローチではしばしば推論の不安定性が問題となり、個々のエージェントの誤りが協調によって増幅されることで、全体の性能が損なわれます。現在の研究は主に、高能力なエージェントの強化、あるいは信頼できない出力の抑制によってフレームワークの有効性を高めることに焦点が当てられています。一方で、性能を制限するエージェントを体系的に特定し、その弱点を補強することはあまり注目されていません。このギャップに対処するために、本研究では弱いリンクの原理に基づく、マルチエージェントの\underline{r}easoningと\underline{c}ollaborationのための\underline{w}eak-link\underline{o}ptimizationフレームワークであるWORCを提案します。WORCは2段階のワークフローに従います。弱いエージェントのローカライズ段階では、タスクの特徴量を構築し、群知能アルゴリズム（SIAs）によって同定された最適な構成に基づいて、メタラーニングベースの重み予測器を学習します。これにより、これらの特徴量からエージェントの性能重みへのゼロショット写像が可能になり、予測された重みが最も低いエージェントが弱いエージェントとして特定されます。弱いリンクの最適化段階では、不確実性に基づく割り当て戦略によって、弱いエージェントに追加の推論予算を割り当てます。ここで、予測された重みが低いほど、信頼性の不足を補うために、より大きい反復サンプリングの割当（クォータ）が与えられます。実験結果は、WORCが推論ベンチマークで平均精度82.2\%を達成し、フレームワークの安定性と異なるアーキテクチャ間での汎化性を向上させることを示しています。強みを単に強化するのではなく、弱いリンクを補償することが、マルチエージェントシステムの頑健性を高めることにつながることが示唆されます。