近年、深層マルチエージェント強化学習（MARL）は、長期的依存性や非マルコフ環境のような困難なタスクを解決する際に有望なパフォーマンスを示しています。しかし、大きな固定文脈長に基づくポリシー設定は、探索効率の低下や冗長情報をもたらす可能性があります。本研究では、適応的かつ効果的な文脈情報を得るための新しいMARLフレームワークを提案しています。具体的には、中央エージェントが時間的勾配分析を通じて文脈長を動的に最適化し、MARLのグローバル最適解への収束を促進する探索を強化します。また、冗長情報を効果的にフィルタリングするための効率的な入力表現を中央エージェントに提供します。フォーリエベースの低周波トランケーション手法を利用して、分散エージェント間のグローバルな時間的トレンドを抽出し、MARL環境の効果的かつ効率的な表現を実現します。提案手法は、PettingZoo、MiniGrid、Google Research Football（GRF）、StarCraft Multi-Agent Challenge v2（SMACv2）などの長期依存タスクにおいて最先端のパフォーマンスを達成しました。