arXiv cs.MA· Ali Atiah Alzahrani·· 12 小时前AI 评分31
Conservative Meta-Agent Search（CMAS）：非平稳环境下的智能体架构自适应搜索
Conservative Meta-Agent Search: Architecture Adaptation under Non-Stationarity
AI 导读
研究者提出 Conservative Meta-Agent Search（CMAS），将元智能体架构搜索形式化为带切换成本和硬性风险约束的序贯替换问题，通过配对影子回放与干预式组件归因打分，晋升需超过预设边际并经过模拟金丝雀阶段与回滚。
正文 · AI 翻译
摘要：自动化智能体系统设计通常是在静态任务套件上以即时标量奖励来评估的。已部署的系统面临持续漂移、延迟的依赖反馈、组件相关性故障以及代价高昂的架构变更。我们将元智能体架构搜索形式化为带切换成本和硬性风险约束的序贯现任替换问题，并提出保守元智能体搜索（CMAS）。CMAS 检索归档架构并提出带类型的图编辑，然后在公共随机数下通过配对影子重放，结合干预式组件信用，将每个候选与现任架构进行评分对比。晋升要求一个经经验校准、方差惩罚的同时评分高于预先指定的阈值，随后进入模拟金丝雀阶段和预先指定的回滚。由于回测无法证明元层面的技能，我们引入 MetaInvest-Bench，一个状态切换模拟器，其指定的工作者能力使代理最优架构可计算，并具备泄漏控制的重放、对抗性治理轨道和五项阴性对照。金融数据流作为元层面泛化的风险敏感测试平台；我们不声称任何超额收益。在 96 条数据流上，CMAS 将归一化平均代理动态预言机遗憾从 0.116 降至 0.104，并将留出效用从 0.44 提升至 0.48，优于最强的自适应基线；当额外工作者不增加价值时，它会收缩至接近单智能体团队。其部署推理成本约低 6%，但其包含搜索的 token 成本在所比较方法中最高。观察到的每次更新误晋升率为 3.4%，低于名义 5% 的目标，在密封重跑中为 4.8%。该校准是经验性的：它涉及作者设计基准上的更新级重放统计量，既不保证全效用提升，也不保证不存在模拟金丝雀阶段危害，也不保证序列级错误控制。
| 评论： | 24 页，8 幅图，17 张表 |
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG）；多智能体系统（cs.MA） |
| 引用为： | arXiv:2610.31436 [cs.AI] |
| （或 arXiv:2610.31436v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.31436 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ali Atiah Alzahrani 先生 [查看电子邮件]
[v1]
2026 年 10 月 22 日星期四 15:32:06 UTC（411 KB）
来源：arXiv cs.MA · arxiv.org