arXiv cs.AIは10月1日(現地時間)、Yining Lu氏らの研究者グループが開発した多目的エージェントワークフロー生成手法「MoFlow」に関する論文「MoFlow: Multi-Objective Agentic Workflow Generation」を公開した。同手法は、精度、コスト、遅延、堅牢性、一貫性など複数の目的を同時に最適化することで、従来の単一目的最適化に留まる既存手法の課題解決を目指す。
MoFlowは、多様な好みに応じて最適化されたエージェントワークフローを生成する画期的な手法として注目される。従来のワークフロー生成手法は、多くの場合、精度単独、あるいは複数の目的を重み付けして単一のスカラー値として最適化していた。このアプローチでは、ユーザーの好みや要件が変化するたびに、モデルをゼロから再学習させる必要があり、効率性と柔軟性の面で課題があった。
MoFlowは、この課題を根本的に解決するため、ワークフロー生成プロセスを多目的マルコフ決定プロセス (multi-objective Markov decision process) として数学的に定式化する。この定式化された問題は、特に多目的最適化に特化した高度な探索アルゴリズム、Convex-Hull Monte Carlo Tree Search with optimistic set-valued backups (コンベックスハル・モンテカルロ木探索・ウィズ・オプティミスティック・セットバリュー・バックアップス) を用いて解決される。このアプローチにより、MoFlowは単一の探索プロセスを通じて、多様な目的間のトレードオフを示すパレートフロント (Pareto front) を近似的にカバーすることが可能となる。
パレートフロントを事前に近似しておくことで、MoFlowは一度学習すれば、その後のユーザーの任意の好みや要件の変化に対して、再学習を行うことなく、最適なワークフローを迅速にルックアップで提供できる点が最大の特徴である。これは、システムの応答性を飛躍的に向上させ、動的な環境下でのエージェントワークフローの適用範囲を大きく広げることを意味する。
研究者グループは、MoFlowの有効性を検証するため、数学、コード生成、質問応答の分野にわたる計6つの異なるベンチマークで、6つの既存手法との比較評価を実施した。既存手法は設計上、単一のスカラー最適化に特化しているため、多目的環境下での公平な比較は困難が伴った。そのため、評価では既存手法に有利となるよう、テストケースごとにモデルを再実行するという厳しい設定が採用された。
この非常に挑戦的な評価設定の下でも、MoFlowはその優れた性能を証明した。具体的な評価指標としては、多目的最適化の性能を測るための標準的な指標である平均ハイパーボリューム (average hypervolume) が用いられた。MoFlowは、この平均ハイパーボリュームにおいて、比較対象の既存手法すべてを上回り、最高のスコアを達成した。この結果は、MoFlowが複数の目的を同時に効率的に最適化し、多様なニーズに応える能力を持つことを明確に示している。
参考: arXiv cs.AI (アーカイブ) — 2026年10月1日 13:00 (JST)
原文ハイライト"MoFlow: Multi-Objective Agentic Workflow Generation"