A multi-agent ensemble framework for enhancing task performance using specialized LLM
Artykuł w czasopiśmie
MNiSW
70
Lista 2024
| Status: | |
| Warianty tytułu: |
Wieloczynnikowy ramowy system uczenia zespołowego do zwiększania wydajności zadań przy użyciu wyspecjalizowanych mechanizmów LLM
|
| Autorzy: | Maj Michał, Cieplak Tomasz, Rachwał Alicja |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2026 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Numer czasopisma: | 3 |
| Wolumen/Tom: | 102 |
| Numer artykułu: | 13 |
| Strony: | 78 - 83 |
| Impact Factor: | 0,4 |
| Scopus® Cytowania: | 0 |
| Bazy: | Scopus | BazTech |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Witryna wydawcy |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 27 marca 2026 |
| Abstrakty: | angielski | polski |
| This paper proposes a novel ensemble learning framework that integrates the performance of multiple special- ized large language models (LLMs) to improve the quality of tasks. The developed method, called "Ensemble LLM Boost," re- lies on iteratively updating the weights of individual agents in a boosting-inspired mechanism, while maintaining the internal parameters of the models themselves. Response aggregation is achieved through weighted voting in classification tasks or by selecting the best model in text generation tasks. Numerical experiments have clearly demonstrated that this method leads to a monotonic and rapid reduction in ensemble error and dynamically favors models best suited to the specific input data. This approach is characterized by modularity and provides a cost-effective alternative to full model tuning in applications requiring high precision. | |
| W niniejszym artykule zaproponowano nowatorską ramę uczenia zespołowego, która integruje działanie wielu wyspecjalizowanych dużych modeli językowych (LLM) w celu podniesienia jakości realizowanych zadań. Opracowana metoda, nazwana „Ensemble LLM Boost”, opiera się na iteracyjnej aktualizacji wag poszczególnych agentów w mechanizmie inspirowa- nym techniką boostingu, przy czym parametry wewnętrzne samych modeli pozostają niezmienne. Agregacja odpowiedzi reali- zowana jest poprzez ważone głosowanie w zadaniach klasyfikacji lub selekcję najlepszego modelu w zadaniach generacji tekstu. Przeprowadzone eksperymenty numeryczne jednoznacznie wykazały, że metoda ta prowadzi do monotonicznej i szybkiej reduk- cji błędu zespołu oraz pozwala na dynamiczne faworyzowanie modeli najlepiej dopasowanych do specyfiki danych wejściowych. Podejście to charakteryzuje się modułowością i stanowi ekonomicznie uzasadnioną alternatywę dla pełnego dostrajania modeli w zastosowaniach wymagających wysokiej precyzji. |
