論文の概要: LLM Constitutional Multi-Agent Governance

• arxiv url: http://arxiv.org/abs/2603.13189v1
• Date: Fri, 13 Mar 2026 17:21:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:12.223738
• Title: LLM Constitutional Multi-Agent Governance
• Title（参考訳）: LLM憲法のマルチエージェントガバナンス
• Authors: J. de Curtò, I. de Zarzà,
• Abstract要約: LLMポリシーコンパイラとネットワークエージェントを介在する2段階のフレームワークであるコンスティチューショナル・マルチエージェント・ガバナンス(CMAG)を紹介する。 本稿では、協調、自律性、完全性、公正性を多元的に組み合わせた倫理的協力スコア(ECS)を提案する。 我々はCMAGが協力・自律トレードオフの領域を支配しており、ガバナンスはハブ周辺での露出格差を60%以上削減する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) can generate persuasive influence strategies that shift cooperative behavior in multi-agent populations, but a critical question remains: does the resulting cooperation reflect genuine prosocial alignment, or does it mask erosion of agent autonomy, epistemic integrity, and distributional fairness? We introduce Constitutional Multi-Agent Governance (CMAG), a two-stage framework that interposes between an LLM policy compiler and a networked agent population, combining hard constraint filtering with soft penalized-utility optimization that balances cooperation potential against manipulation risk and autonomy pressure. We propose the Ethical Cooperation Score (ECS), a multiplicative composite of cooperation, autonomy, integrity, and fairness that penalizes cooperation achieved through manipulative means. In experiments on scale-free networks of 80 agents under adversarial conditions (70% violating candidates), we benchmark three regimes: full CMAG, naive filtering, and unconstrained optimization. While unconstrained optimization achieves the highest raw cooperation (0.873), it yields the lowest ECS (0.645) due to severe autonomy erosion (0.867) and fairness degradation (0.888). CMAG attains an ECS of 0.741, a 14.9% improvement, while preserving autonomy at 0.985 and integrity at 0.995, with only modest cooperation reduction to 0.770. The naive ablation (ECS = 0.733) confirms that hard constraints alone are insufficient. Pareto analysis shows CMAG dominates the cooperation-autonomy trade-off space, and governance reduces hub-periphery exposure disparities by over 60%. These findings establish that cooperation is not inherently desirable without governance: constitutional constraints are necessary to ensure that LLM-mediated influence produces ethically stable outcomes rather than manipulative equilibria.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、マルチエージェント集団における協調行動を変える説得力のある影響戦略を生成することができるが、重要な疑問が残る。 我々は,LLMポリシーコンパイラとネットワークエージェント間の2段階の枠組みであるコンスティチューショナル・マルチエージェント・ガバナンス(CMAG)を導入する。 本稿では、協調、自律性、完全性、公正性を多元的に組み合わせた倫理的協力スコア(ECS)を提案する。 敵条件下での80エージェントのスケールフリーネットワーク(70%の違反候補)の実験では、完全CMAG、単純フィルタリング、非拘束最適化の3つの条件をベンチマークする。 制約のない最適化は最も高い生の協力(0.873)を達成するが、厳密な自律浸食(0.867)と公正な劣化(0.888)のために最低のECS(0.645)を得る。 CMAGのECSは0.741で14.9%改善され、0.985で自律性を維持し、0.995で整合性を維持している。 単純アブレーション(ECS = 0.733)は、厳密な制約だけでは不十分であることを確認した。 パレート分析は、CMAGが協力と自律のトレードオフ空間を支配しており、ガバナンスはハブ周辺での露出格差を60%以上削減していることを示している。 LLMによる影響が、操作的均衡よりも倫理的に安定した結果をもたらすことを保証するためには、憲法上の制約が必要である。

関連論文リスト

• Toward a Sustainable Federated Learning Ecosystem: A Practical Least Core Mechanism for Payoff Allocation [71.86087908416255]
  最小コア(LC)概念に基づく配当フレームワークを提案する。 従来の方法とは異なり、LCは最大の不満を最小限に抑えてフェデレーションの凝集を優先する。 統合侵入検知におけるケーススタディは、我々のメカニズムが重要な貢献者や戦略的提携を正しく識別できることを実証している。
  論文  参考訳（メタデータ） (2026-02-03T11:10:50Z)
• Evolving Interpretable Constitutions for Multi-Agent Simulation [0.0]
  我々は,多エージェントLLMシステムにおける行動規範を自動的に発見するフレームワークであるコンスティチューショナル・エボリューショナル・エボリューションを提案する。 生存圧力を伴うグリッドワールドシミュレーションを用いて,個人と集団福祉の緊張関係について検討する。 我々の解釈可能な規則は、規定されるよりもむしろ協調規範を発見できることを示している。
  論文  参考訳（メタデータ） (2026-01-31T14:41:43Z)
• Computational Foundations for Strategic Coopetition: Formalizing Collective Action and Loyalty [0.33985917934283577]
  混合モチベーションのマルチエージェント設定は、個々の努力がメンバー全員に均等に利益をもたらすため、永続的なフリーライディングを伴いますが、各メンバは自身のコントリビューションの完全なコストを負担します。 本報告は, 戦略的合弁のための計算基盤をチームレベルのダイナミクスに拡張する。 我々は、忠誠の利益とコスト耐性の2つのメカニズムで、忠誠をモデレートしたユーティリティ機能を開発する。
  論文  参考訳（メタデータ） (2026-01-21T18:23:04Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• The Subtle Art of Defection: Understanding Uncooperative Behaviors in LLM based Multi-Agent Systems [22.357102759752234]
  本稿では,非協調行動がマルチエージェントシステムの不安定化や崩壊のメカニズムをシミュレートし,解析するための新しい枠組みを提案する。 本フレームワークは,(1)非協調的エージェント行動のゲーム理論に基づく分類,(2)エージェントの状態が進化するにつれて非協調的動作を動的に生成・改善する多段階シミュレーションパイプラインを含む。
  論文  参考訳（メタデータ） (2025-11-19T20:39:19Z)
• Fair-GNE : Generalized Nash Equilibrium-Seeking Fairness in Multiagent Healthcare Automation [0.0]
  既存のマルチエージェント強化学習は、ポストホックオーケストレーションを通じて報酬を形作ることによって、スティアフェアネスにアプローチする。 我々は、自己関心のある意思決定者間で学習可能な最適化スキームによって、この欠点に対処する。 本研究は, 大規模マルチエージェント学習型医療システムにおける定式化, 評価指標, 平衡探索のイノベーションについて報告する。
  論文  参考訳（メタデータ） (2025-11-18T04:48:50Z)
• Cooperative Target Detection with AUVs: A Dual-Timescale Hierarchical MARDL Approach [59.81681228738068]
  敵の環境では、効率的な協調を実現するとともに、隠蔽活動を確保することが、水中での協力ミッションにとって重要な課題である。 本稿では,新しい時間スケール階層型マルチエージェント・ポリシー最適化フレームワークを提案する。 提案手法は, 高速収束を実現し, ベンチマークアルゴリズムの性能を向上し, 長期協調効率を最大化し, 隠蔽動作の確保を図る。
  論文  参考訳（メタデータ） (2025-09-16T09:31:32Z)
• Pareto Actor-Critic for Communication and Computation Co-Optimization in Non-Cooperative Federated Learning Services [18.291028557265864]
  ゲーム理論によるマルチエージェント強化学習(MARL)フレームワークであるPAC-MCoFLを導入する。 PAC-MCoFL-p はパラメータ化予測生成器を特徴とするスケーラブルな変種であり,有界な誤差で計算複雑性を著しく低減する。
  論文  参考訳（メタデータ） (2025-08-22T02:09:48Z)
• OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
  OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。 我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。 我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
  論文  参考訳（メタデータ） (2025-08-07T17:54:15Z)
• Monotonic Improvement Guarantees under Non-stationarity for Decentralized PPO [66.5384483339413]
  我々は,MARL(Multi-Agent Reinforcement Learning)における分散政策の最適化のための新しい単調改善保証を提案する。 本研究では,訓練中のエージェント数に基づいて,独立した比率を限定することにより,信頼領域の制約を原則的に効果的に実施可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-31T20:39:48Z)

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。