Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

AgentDropout: Dynamic Agent Elimination for Token-Efficient and High-Performance LLM-Based Multi-Agent Collaboration

Created by
  • Haebom
Category
Empty

저자

Zhexuan Wang, Yutong Wang, Xuebo Liu, Liang Ding, Miao Zhang, Jie Liu, Min Zhang

개요

대규모 언어 모델(LLM) 기반의 다중 에이전트 시스템(MAS)은 협업적 문제 해결에 상당한 잠재력을 보여주지만, 낮은 의사소통 효율성과 최적이 아닌 작업 성능이라는 과제에 직면하고 있습니다. 따라서 에이전트의 의사소통 토폴로지 설계가 매우 중요합니다. 본 논문에서는 효율적인 팀의 역할이 종종 동적으로 조정된다는 관리 이론에서 영감을 얻어, AgentDropout을 제안합니다. AgentDropout은 의사소통 그래프의 인접 행렬을 최적화하여 중복된 에이전트와 서로 다른 의사소통 라운드 간의 의사소통을 식별하고 제거하여 토큰 효율성과 작업 성능을 모두 향상시킵니다. 최첨단 방법과 비교하여 AgentDropout은 프롬프트 토큰 소비량을 평균 21.6%, 완료 토큰 소비량을 18.4% 줄이고 작업 성능을 1.14 향상시킵니다. 또한 확장된 실험을 통해 AgentDropout이 주목할 만한 도메인 전이성과 구조적 강건성을 달성하여 신뢰성과 효과성을 보여줍니다. 코드는 https://github.com/wangzx1219/AgentDropout 에서 공개합니다.

시사점, 한계점

•
시사점:
◦
LLM 기반 MAS의 의사소통 효율성 및 작업 성능 향상에 대한 새로운 접근 방식 제시
◦
AgentDropout을 통해 프롬프트 및 완료 토큰 소비량 감소 및 작업 성능 향상 달성
◦
도메인 전이성 및 구조적 강건성을 통해 다양한 환경에서의 적용 가능성 확인
◦
오픈소스 코드 공개를 통한 연구의 재현성 및 확장성 증대
•
한계점:
◦
특정 작업 및 데이터셋에 대한 실험 결과에 국한되어 일반화 가능성에 대한 추가 연구 필요
◦
AgentDropout의 최적화 과정 및 매개변수 설정에 대한 상세한 설명 부족
◦
다양한 규모의 MAS에 대한 성능 평가 및 분석 부족
◦
실제 응용 환경에서의 적용 가능성 및 성능에 대한 추가 검증 필요
👍
Made with Slashpage