Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
LLM 기반 멀티 에이전트 시스템의 통신 효율성을 높이기 위한 다차원 통신(MOC) 방식을 제안합니다. 기존의 단순 연결 방식이 가진 정보 희석 문제를 해결하기 위해 멀티 홉 의존성을 포착하고 구조적 메시지 통합 전략을 사용합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기대규모 언어 모델 (LLM) 기반 멀티 에이전트 시스템 (Multi-Agent Systems)의 놀라운 발전에도 불구하고, 대부분의 연구는 조정 토폴로지 (coordination topology)를 최적화하는 데 집중되어 있으며, 그만큼 중요한 문제인 '에이전트 간에 메시지를 어떻게 효과적으로 전달하고 최적화할 것인가?'에 대해서는 충분히 탐구되지 않았습니다. 현재의 통신 방식은 일반적으로 1차 이웃 (first-order neighbor) 응답을 직접 연결 (concatenation) 하는 방식에 의존하며, 이는 제한된 증거 수용 영역 (evidence receptive field)을 유발하고 멀티 홉 (multi-hop) 경로를 거치면서 중요한 통찰력이 희석되는 결과를 초래합니다. 이러한 한계를 해결하기 위해, 우리는 멀티 홉 의존성 (multi-hop dependencies)을 포착하도록 에이전트 간 통신을 재구성하고, 효율성을 보장하기 위해 구조적 메시지 통합 (structural message consolidation) 전략을 포함하는 다차원 통신 (Multi-Order Communication, MOC) 방식을 제안합니다. 구체적으로, 우리는 구조화된 다차원 증거 스트림 (structured multi-order evidence stream)을 구축하도록 통신 메커니즘을 공식화하며, 이어서 토큰 제약 조건 내에서 의미론적 충실도 (semantic fidelity)를 최적화하기 위한 의미론적-위상적 병합 (Semantic-Topological Merging) 알고리즘을 설계합니다. 6개의 다양한 데이터셋과 다양한 파라미터 규모의 LLM 백본 (backbones)을 통한 광범위한 실험 결과, MOC가 작업 성능을 일관되게 향상시키고 통신 비용을 줄인다는 것을 입증했습니다. 코드는 https://github.com/yao-guan/MOC 에서 확인할 수 있습니다.