要旨: 多数決は、複数のエージェントの応答を最終決定へ集約するための標準的手法です。しかし従来の方法では、集約を開始する前に全エージェントが推論を完了する必要があるのが一般的であり、多数派のコンセンサスが得られた時点で多くの応答が冗長になってしまうため、計算オーバーヘッドが大きくなります。本研究では、複数エージェントの投票を信頼性を考慮したエージェント・スケジューリング問題として定式化し、推論効率を高めるための Efficient Majority-then-Stopping (EMS) を提案します。EMS は、タスクに応じた信頼性に基づいてエージェントを優先し、以下の3つの重要な構成要素のいずれかにより多数派が達成された瞬間に、推論パイプラインを停止します。具体的には、過去の性能と意味的類似性を用いてエージェントの信頼性を推定する Agent Confidence Modeling (ACM) を導入し、早期停止を可能にする形でエージェントを逐次選択する Adaptive Incremental Voting (AIV) を提案し、貢献する各エージェントの信頼性を動的に更新する Individual Confidence Updating (ICU) を導入します。6つのベンチマークにわたる大規模な評価の結果、EMS は一貫して、呼び出されるエージェントの平均数を32%削減することを示しました。
EMS: Efficient Majority-then-Stopping によるマルチエージェント投票
arXiv cs.AI / 2026/4/6
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、マルチエージェントシステムにおける従来の多数決投票では、すでに多数決の合意に到達できているにもかかわらず、多くのエージェントが推論を継続してしまうため、計算が無駄になると主張する。
- 多数決の意思決定を形成でき次第停止するという考え方で、投票を信頼性に配慮したエージェント・スケジューリング問題として定式化する Efficient Majority-then-Stopping（EMS）を提案する。
- EMS は Agent Confidence Modeling（ACM）に依拠し、過去の性能とセマンティック類似性から、エージェントごとの信頼性を推定する。
- Adaptive Incremental Voting（AIV）を用いてエージェントを逐次的に選択し、さらに Individual Confidence Updating（ICU）で、エージェントの出力を追加で取り込むにつれて信頼性推定を更新する。
- 6つのベンチマークでの実験により、EMS は呼び出されるエージェント数の平均を32%削減し、多数決投票の集約目標を変えることなく推論効率を向上させることが示される。
