言語ベースのマルチエージェント通信における割り込みを学習する

Abstract

大規模言語モデル（LLM）を用いたマルチエージェントシステムは、さまざまな領域で印象的な能力を示してきました。しかし、現在のエージェント間通信には冗長な出力があり、文脈を圧迫し、計算コストを増大させています。既存の手法は、話し手側からのメッセージを圧縮することに焦点を当てていますが、異なる聞き手に適応したり、関連する情報を特定したりすることが難しいという課題があります。人間のコミュニケーションにおいて効果的な方法の一つは、聞き手が割り込んで意見を述べたり、確認の質問をしたりできるようにすることです。これに動機づけられて、聞き手側のエージェントが現在の話し手を割り込ませられる、割り込み可能な通信フレームワークを提案します。プロンプト実験により、現在のLLMはしばしば過度に自信過剰であり、十分な情報を受け取る前に割り込むことが多いことが分かりました。そこで、推定される将来の報酬とコストに基づいて、適切な割り込みポイントを予測する学習手法を提案します。我々は、2エージェントのテキスト絵しりとりゲーム、3エージェントの会議スケジューリング、3エージェントの討論など、さまざまなマルチエージェントのシナリオにわたって、このフレームワークを評価します。その結果、実験では、HANDRAISERが、タスク性能が同等かそれ以上であるベースラインと比べて通信コストを32.2%削減できることが示されました。この学習された割り込み行動は、異なるエージェントやタスクにも一般化できます。