論文の概要: Network Formation and Dynamics Among Multi-LLMs

• arxiv url: http://arxiv.org/abs/2402.10659v1
• Date: Fri, 16 Feb 2024 13:10:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-19 16:15:32.382480
• Title: Network Formation and Dynamics Among Multi-LLMs
• Title（参考訳）: マルチLLMのネットワーク形成とダイナミクス
• Authors: Marios Papachristou, Yuan Yuan
• Abstract要約: ソーシャルネットワークは、人間の社会における情報や規範の普及において重要な役割を担っている。 大規模言語モデル(LLM)が社会的および専門的な環境に統合されるにつれて、社会的ネットワークや相互作用の文脈内での彼らの行動を理解することが不可欠となる。 本研究では、標準的なネットワーク構造と実世界のネットワークの挙動を分析し、複数のLLMの力学が人間の社会力学と一致するかどうかを判定する。
• 参考スコア（独自算出の注目度）: 6.901329955870466
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Social networks influence behaviors, preferences, and relationships and play a crucial role in the dissemination of information and norms within human societies. As large language models (LLMs) increasingly integrate into social and professional environments, understanding their behavior within the context of social networks and interactions becomes essential. Our study analyzes the behaviors of standard network structures and real-world networks to determine whether the dynamics of multiple LLMs align with human social dynamics. We explore various social network principles, including micro-level concepts such as preferential attachment, triadic closure, and homophily, as well as macro-level concepts like community structure and the small-world phenomenon. Our findings suggest that LLMs demonstrate all these principles when they are provided with network structures and asked about their preferences regarding network formation. Furthermore, we investigate LLMs' decision-making based on real-world networks to compare the strengths of these principles. Our results reveal that triadic closure and homophily have a stronger influence than preferential attachment and that LLMs substantially exceed random guessing in the task of network formation predictions. Overall, our study contributes to the development of socially aware LLMs by shedding light on LLMs' network formation behaviors and exploring their impacts on social dynamics and norms.
• Abstract（参考訳）: 社会的ネットワークは行動、嗜好、関係に影響を与え、人間の社会における情報や規範の普及に重要な役割を果たしている。 大規模言語モデル(LLM)が社会的および専門的な環境に統合されるにつれて、社会的ネットワークや相互作用の文脈内での彼らの行動を理解することが不可欠となる。 本研究では,標準的なネットワーク構造と実世界のネットワークの動作を分析し,複数のllmのダイナミクスが人間の社会的ダイナミクスと一致するかどうかを判断する。 我々は,優先アタッチメント,トライ進クロージャ,ホモフィリといったミクロレベルの概念や,コミュニティ構造やスモールワールド現象といったマクロレベルの概念を含む,さまざまなソーシャルネットワークの原則を探求する。 この結果から,LLMにはネットワーク構造が備わっている場合の原則が示され,ネットワーク形成に関する好みについて質問された。 さらに,これらの原則の強みを比較するために,実世界ネットワークに基づくllmsの意思決定について検討する。 以上の結果から,三進的閉包とホモフィリィは優先的なアタッチメントよりも強く,LLMはネットワーク形成予測のタスクにおいてランダムな推測をはるかに上回っていることが明らかとなった。 本研究は, LLMのネットワーク形成行動に光を当て, 社会的ダイナミクスや規範に対する影響を探ることで, 社会に配慮したLCMの開発に寄与する。

関連論文リスト

• A Survey on Large Language Models for Communication, Network, and Service Management: Application Insights, Challenges, and Future Directions [37.427638898804055]
  大規模言語モデル(LLM)は、様々な自然言語処理(NLP)タスクにおける非並列性のため、大きな注目を集めている。 本研究では,モバイルネットワークや関連技術,車両ネットワーク,クラウドネットワーク,フォグ/エッジネットワークなど,さまざまな通信ネットワークドメインを対象としたLCMの統合について検討する。
  論文  参考訳（メタデータ） (2024-12-16T20:01:36Z)
• Engagement-Driven Content Generation with Large Language Models [8.049552839071918]
  大規模言語モデル(LLM)は1対1の相互作用において重要な説得能力を示す。 本研究では,相互接続型ユーザにおけるLCMの社会的影響と複雑な意見力学について検討する。
  論文  参考訳（メタデータ） (2024-11-20T10:40:08Z)
• Static network structure cannot stabilize cooperation among Large Language Model agents [6.868298200380496]
  大規模言語モデル(LLM)は、人間の社会的行動のモデル化にますます利用されている。 本研究の目的は,LLMとヒトの協調行動における並列性を明らかにすることである。
  論文  参考訳（メタデータ） (2024-11-15T15:52:15Z)
• From Lazy to Rich: Exact Learning Dynamics in Deep Linear Networks [47.13391046553908]
  人工ネットワークでは、これらのモデルの有効性はタスク固有の表現を構築する能力に依存している。 以前の研究では、異なる初期化によって、表現が静的な遅延状態にあるネットワークや、表現が動的に進化するリッチ/フィーチャーな学習体制のいずれかにネットワークを配置できることが強調されていた。 これらの解は、豊かな状態から遅延状態までのスペクトルにわたる表現とニューラルカーネルの進化を捉えている。
  論文  参考訳（メタデータ） (2024-09-22T23:19:04Z)
• LLMs generate structurally realistic social networks but overestimate political homophily [42.229210482614356]
  ネットワーク生成のための3つのプロンプト手法を開発し、生成されたネットワークと実際のソーシャルネットワークを比較した。 より現実的なネットワークは、LLMが1つのペルソナの関係を1度に構築する"ローカル"な手法で生成される。 また, 生成したネットワークは, 密度, クラスタリング, コミュニティ構造, 程度など, 様々な特性で実ネットワークと一致していることがわかった。
  論文  参考訳（メタデータ） (2024-08-29T15:36:52Z)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)
• Reward-Sharing Relational Networks in Multi-Agent Reinforcement Learning as a Framework for Emergent Behavior [0.0]
  ユーザ定義リレーショナルネットワークを通じて,ソーシャルなインタラクションをMARLセットアップに統合する。 エージェントとエージェントの関係が創発行動の出現に及ぼす影響について検討する。
  論文  参考訳（メタデータ） (2022-07-12T23:27:42Z)
• Learning Contact Dynamics using Physically Structured Neural Networks [81.73947303886753]
  ディープニューラルネットワークと微分方程式の接続を用いて、オブジェクト間の接触ダイナミクスを表現するディープネットワークアーキテクチャのファミリを設計する。 これらのネットワークは,ノイズ観測から不連続な接触事象をデータ効率良く学習できることを示す。 以上の結果から,タッチフィードバックの理想化形態は,この学習課題を扱いやすくするための重要な要素であることが示唆された。
  論文  参考訳（メタデータ） (2021-02-22T17:33:51Z)
• From Federated to Fog Learning: Distributed Machine Learning over Heterogeneous Wireless Networks [71.23327876898816]
  フェデレートラーニング(Federated Learning)は、データを収集するノード間で処理能力を活用することによって、ネットワークエッジでMLモデルをトレーニングするテクニックとして登場した。 我々は、エッジデバイスからクラウドサーバへのノード連続体にMLモデルのトレーニングをインテリジェントに分散する、フォグラーニングと呼ばれる新しい学習パラダイムを提唱する。
  論文  参考訳（メタデータ） (2020-06-07T05:11:18Z)
• I Know Where You Are Coming From: On the Impact of Social Media Sources on AI Model Performance [79.05613148641018]
  我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。 最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
  論文  参考訳（メタデータ） (2020-02-05T11:10:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。