論文の概要: An Electoral Approach to Diversify LLM-based Multi-Agent Collective Decision-Making
- arxiv url: http://arxiv.org/abs/2410.15168v1
- Date: Sat, 19 Oct 2024 17:42:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-22 13:19:00.961136
- Title: An Electoral Approach to Diversify LLM-based Multi-Agent Collective Decision-Making
- Title(参考訳): LLMに基づく多エージェント集団決定過程の多様化に向けた電算的アプローチ
- Authors: Xiutian Zhao, Ke Wang, Wei Peng,
- Abstract要約: 本稿では,様々な選好投票機構を組み込んだ選挙用CDMモジュールであるGEDIについて述べる。
いくつかのCDM機構は3つのエージェントでも正のシナジーを発生させることがわかった。
投票ベースの手法は、単一障害点に対するロバスト性や、ヒットレート@kや主観的影響の多様性も示している。
- 参考スコア(独自算出の注目度): 6.723531714964794
- License:
- Abstract: Modern large language models (LLMs) have exhibited cooperative synergy on complex task-solving, and collective decision-making (CDM) is a pivotal component in LLM-based multi-agent collaboration frameworks. Our survey on 52 recent such systems uncovers a severe lack of diversity, with a heavy reliance on dictatorial and plurality voting for CDM. Through the lens of social choice theory, we scrutinize widely-adopted CDM methods and identify their limitations. To enrich current landscape of LLM-based CDM, we present GEDI, an electoral CDM module that incorporates various ordinal preferential voting mechanisms. Our empirical case study across three benchmarks shows that the integration of certain CDM methods can markedly improve the reasoning capabilities and robustness of some leading LLMs, all without requiring intricate system designs. Additionally, we find that some CDM mechanisms generate positive synergies even with as few as three agents. The voting-based methods also demonstrate robustness against single points of failure, as well as diversity in terms of hit-rate@k and subject-wise impacts.
- Abstract(参考訳): 現代の大規模言語モデル(LLM)は複雑なタスク解決において協調的なシナジーを示しており、総合的意思決定(CDM)はLLMベースのマルチエージェントコラボレーションフレームワークにおいて重要なコンポーネントである。
近年の52のシステムを対象とした調査では, CDMの独裁的・複数投票に大きく依存し, 多様性の欠如が判明した。
社会的選択論のレンズを通して、広く採用されているCDM手法を精査し、その限界を特定する。
LLM ベースの CDM の現況を豊かにするために,様々な順序投票機構を組み込んだ選挙用 CDM モジュール GEDI を提案する。
3つのベンチマークによる実証的なケーススタディにより、特定のCDMメソッドの統合は、複雑なシステム設計を必要とせずに、いくつかの主要なLCMの推論能力と堅牢性を著しく改善できることが示された。
さらに、いくつかのCDM機構は、3つのエージェントでも正の相乗効果を生じることが判明した。
投票ベースの手法は、単一障害点に対する堅牢性や、ヒットレート@kや主観的影響の多様性も示している。
関連論文リスト
- Multi-Agent Collaboration Mechanisms: A Survey of LLMs [6.545098975181273]
マルチエージェントシステム(Multi-Agent Systems、MAS)は、知的エージェントのグループによる複雑なタスクの協調と解決を可能にする。
この研究は、MASの協調的な側面に関する広範な調査を提供し、将来の研究を導くための枠組みを紹介している。
論文 参考訳(メタデータ) (2025-01-10T19:56:50Z) - Multi-LLM Text Summarization [58.74987409988719]
本稿では,マルチLLM要約フレームワークを提案し,集中化と分散化を含む2つの異なるマルチLLM戦略について検討する。
当社のフレームワークは,各会話のラウンドにおいて,生成と評価という,基本的に重要なステップを2つ備えています。
我々のマルチLLM要約アプローチは, 1 つの LLM のみを最大 3 倍まで活用するベースラインを著しく上回っていることがわかった。
論文 参考訳(メタデータ) (2024-12-20T01:55:26Z) - Progressive Multimodal Reasoning via Active Retrieval [64.74746997923967]
多段階多モーダル推論タスクは、大規模言語モデル(MLLM)に重大な課題をもたらす
本稿では,MLLMの推論能力の向上を目的とした汎用フレームワークAR-MCTSを提案する。
我々は,AR-MCTSがサンプリングの多様性と精度を最適化し,信頼性の高いマルチモーダル推論を実現することを示す。
論文 参考訳(メタデータ) (2024-12-19T13:25:39Z) - A Multi-LLM Debiasing Framework [85.17156744155915]
大規模言語モデル(LLM)は、社会に多大な利益をもたらす可能性がある強力なツールであるが、社会的不平等を持続するバイアスを示す。
近年,マルチLLM手法への関心が高まっており,推論の質向上に有効であることが示されている。
LLMのバイアス低減を目的としたマルチLLMデバイアスフレームワークを提案する。
論文 参考訳(メタデータ) (2024-09-20T20:24:50Z) - Large Multimodal Agents: A Survey [78.81459893884737]
大規模言語モデル(LLM)は、テキストベースのAIエージェントのパワーで優れたパフォーマンスを実現している。
LLMを利用したAIエージェントをマルチモーダルドメインに拡張することに焦点を当てた、新たな研究トレンドがある。
本総説は, この急速に発展する分野において, 今後の研究に有用な洞察とガイドラインを提供することを目的としている。
論文 参考訳(メタデータ) (2024-02-23T06:04:23Z) - Controlling Large Language Model-based Agents for Large-Scale
Decision-Making: An Actor-Critic Approach [28.477463632107558]
我々はLLaMACと呼ばれるモジュラーフレームワークを開発し、大規模言語モデルにおける幻覚とマルチエージェントシステムにおける協調に対処する。
LLaMACは、人間の脳にあるものに似た値分布をコードし、内部および外部からのフィードバック機構を利用して、モジュール間の協調と反復的推論を促進する。
論文 参考訳(メタデータ) (2023-11-23T10:14:58Z) - Unified Bayesian Frameworks for Multi-criteria Decision-making Problems [2.1833781995073416]
本稿では,多基準意思決定(MCDM)問題に対処するためのベイズ的枠組みを紹介する。
提案するフレームワークは,グループ決定問題や基準相関などのMCDMの課題に対して,統計的にエレガントな解決策を提供する。
論文 参考訳(メタデータ) (2022-08-29T06:47:05Z) - Policy Diagnosis via Measuring Role Diversity in Cooperative Multi-agent
RL [107.58821842920393]
我々はエージェントの行動差を定量化し、bfロールの多様性を通して政策パフォーマンスとの関係を構築する
MARLの誤差は, 役割多様性と強い関係を持つ3つの部分に分けられる。
分解された要因は3つの一般的な方向における政策最適化に大きな影響を及ぼす可能性がある。
論文 参考訳(メタデータ) (2022-06-01T04:58:52Z) - FACMAC: Factored Multi-Agent Centralised Policy Gradients [103.30380537282517]
FACtored Multi-Agent Centralized Policy gradients (FACMAC)を提案する。
離散的および連続的な行動空間における協調的マルチエージェント強化学習のための新しい手法である。
我々は,マルチエージェント粒子環境の変動に対するFACMAC,新しいマルチエージェント MuJoCo ベンチマーク,およびStarCraft II マイクロマネジメントタスクの挑戦的セットについて評価した。
論文 参考訳(メタデータ) (2020-03-14T21:29:09Z)
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。