論文の概要: When Numbers Start Talking: Implicit Numerical Coordination Among LLM-Based Agents

• arxiv url: http://arxiv.org/abs/2601.03846v1
• Date: Wed, 07 Jan 2026 12:07:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 02:15:23.49257
• Title: When Numbers Start Talking: Implicit Numerical Coordination Among LLM-Based Agents
• Title（参考訳）: LLMをベースとしたエージェント間の数値コーディネート
• Authors: Alessio Buscemi, Daniele Proverbio, Alessandro Di Stefano, The Anh Han, German Castignani, Pietro Liò,
• Abstract要約: 本稿では,マルチエージェントシステムにおける隠蔽通信のゲーム理論的研究について述べる。 我々は,異なる通信体制下での4つの標準ゲーム理論設定間の相互作用を分析する。 不均一なエージェント・パーソナリティとワンショットゲームと繰り返しゲームの両方を考慮すると、隠蔽信号が出現し、協調と戦略的な結果をどう形成するかを特徴付ける。
• 参考スコア（独自算出の注目度）: 45.43445469098021
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLMs-based agents increasingly operate in multi-agent environments where strategic interaction and coordination are required. While existing work has largely focused on individual agents or on interacting agents sharing explicit communication, less is known about how interacting agents coordinate implicitly. In particular, agents may engage in covert communication, relying on indirect or non-linguistic signals embedded in their actions rather than on explicit messages. This paper presents a game-theoretic study of covert communication in LLM-driven multi-agent systems. We analyse interactions across four canonical game-theoretic settings under different communication regimes, including explicit, restricted, and absent communication. Considering heterogeneous agent personalities and both one-shot and repeated games, we characterise when covert signals emerge and how they shape coordination and strategic outcomes.
• Abstract（参考訳）: LLMをベースとしたエージェントは、戦略的相互作用と調整が必要なマルチエージェント環境でますます機能する。 既存の研究は、個々のエージェントや、明示的なコミュニケーションを共有する対話エージェントに重点を置いているが、対話エージェントが暗黙的に協調する方法についてはあまり知られていない。 特に、エージェントは、明示的なメッセージではなく、アクションに埋め込まれた間接的または非言語的な信号に依存する。 本稿では,LLM駆動型マルチエージェントシステムにおける隠蔽通信のゲーム理論的研究について述べる。 我々は,明示的,制限的,不在なコミュニケーションを含む,異なる通信体制下での4つの標準的なゲーム理論設定間の相互作用を分析する。 不均一なエージェント・パーソナリティとワンショットゲームと繰り返しゲームの両方を考慮すると、隠蔽信号が出現し、協調と戦略的な結果をどう形成するかを特徴付ける。

関連論文リスト

• A Survey of LLM-Driven AI Agent Communication: Protocols, Security Risks, and Defense Countermeasures [59.43633341497526]
  大規模言語モデル駆動型AIエージェントは、前例のない知性と適応性を示している。 エージェントコミュニケーションは、未来のAIエコシステムの基礎的な柱と見なされている。 本稿では,エージェント通信セキュリティに関する包括的調査を行う。
  論文  参考訳（メタデータ） (2025-06-24T14:44:28Z)
• Spontaneous Emergence of Agent Individuality through Social Interactions in LLM-Based Communities [0.0]
  本稿では,Large Language Model (LLM) ベースのエージェントを用いて,ゼロからエージェントが出現することを検討する。 このマルチエージェントシミュレーションを解析することにより、社会的規範、協力、性格特性が自然に出現する方法について、貴重な新しい知見を報告する。
  論文  参考訳（メタデータ） (2024-11-05T16:49:33Z)
• Towards Collaborative Intelligence: Propagating Intentions and Reasoning for Multi-Agent Coordination with Large Language Models [41.95288786980204]
  現在のエージェントフレームワークは、シングルエージェント実行への依存に悩まされ、モジュール間通信が堅牢でないことが多い。 協調的なMARLにおける協調行動を可能にするための協調エージェントとして,大規模言語モデルを訓練するためのフレームワークを提案する。 伝搬ネットワークは、放送意図をチームメイト固有のコミュニケーションメッセージに変換し、指定されたチームメイトと関連する目標を共有する。
  論文  参考訳（メタデータ） (2024-07-17T13:14:00Z)
• Multi-Agent Coordination via Multi-Level Communication [29.388570369796586]
  シークエンシャル・コミュニケーション(SeqComm)という新しいマルチレベル通信方式を提案する。 本稿では,新しいマルチレベル通信方式であるSeqCommを提案する。
  論文  参考訳（メタデータ） (2022-09-26T14:08:03Z)
• Coordinating Policies Among Multiple Agents via an Intelligent Communication Channel [81.39444892747512]
  MARL(Multi-Agent Reinforcement Learning)では、エージェントが直接通信できる特別なチャンネルがしばしば導入される。 本稿では,エージェントの集団的性能を向上させるために,エージェントが提供した信号の伝達と解釈を学習する,インテリジェントなファシリテータを通じてエージェントがコミュニケーションする手法を提案する。
  論文  参考訳（メタデータ） (2022-05-21T14:11:33Z)
• Interpretation of Emergent Communication in Heterogeneous Collaborative Embodied Agents [83.52684405389445]
  本稿では,コラボレーティブな多目的ナビゲーションタスクCoMONを紹介する。 この課題において、オラクルエージェントは、地図の形式で詳細な環境情報を有する。 視覚的に環境を知覚するナビゲーターエージェントと通信し、目標のシーケンスを見つけるのが任務である。 創発的コミュニケーションはエージェントの観察と3次元環境の空間構造に基礎を置くことができることを示す。
  論文  参考訳（メタデータ） (2021-10-12T06:56:11Z)
• The Emergence of Adversarial Communication in Multi-Agent Reinforcement Learning [6.18778092044887]
  多くの現実世界の問題は、複数の自律エージェントの調整を必要とする。 最近の研究は、複雑なマルチエージェント協調を可能にする明示的なコミュニケーション戦略を学ぶためのグラフニューラルネットワーク(GNN)の約束を示している。 一つの利己的なエージェントが高度に操作的なコミュニケーション戦略を学習し、協調的なエージェントチームを大幅に上回っていることを示す。
  論文  参考訳（メタデータ） (2020-08-06T12:48:08Z)
• Learning Individually Inferred Communication for Multi-Agent Cooperation [37.56115000150748]
  我々はエージェントエージェントがエージェントエージェントコミュニケーションの事前学習を可能にするために、個別推論通信(I2C)を提案する。 先行知識は因果推論によって学習され、フィードフォワードニューラルネットワークによって実現される。 I2Cは通信オーバーヘッドを減らすだけでなく、様々なマルチエージェント協調シナリオのパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2020-06-11T14:07:57Z)

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。