論文の概要: On the Fragility of AI Agent Collusion

• arxiv url: http://arxiv.org/abs/2603.20281v1
• Date: Wed, 18 Mar 2026 01:55:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.798031
• Title: On the Fragility of AI Agent Collusion
• Title（参考訳）: AIエージェント・コルーシオンの脆弱性について
• Authors: Jussi Keppo, Yuze Li, Gerry Tsoukalas, Nuo Yuan,
• Abstract要約: 実際の展開の典型的な不均一性の下では、衝突は脆弱であることを示す。 本稿では,データ共有を規制する執行行動や,アルゴリズムの多様性を促進する政策など,反トラストの影響について論じる。
• 参考スコア（独自算出の注目度）: 6.143689348942806
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work shows that pricing with symmetric LLM agents leads to algorithmic collusion. We show that collusion is fragile under the heterogeneity typical of real deployments. In a stylized repeated-pricing model, heterogeneity in patience or data access reduces the set of collusive equilibria. Experiments with open-source LLM agents (totaling over 2,000 compute hours) align with these predictions: patience heterogeneity reduces price lift from 22% to 10% above competitive levels; asymmetric data access, to 7%. Increasing the number of competing LLMs breaks up collusion; so does cross-algorithm heterogeneity, that is, setting LLMs against Q-learning agents. But model-size differences (e.g., 32B vs. 14B weights) do not; they generate leader-follower dynamics that stabilize collusion. We discuss antitrust implications, such as enforcement actions restricting data-sharing and policies promoting algorithmic diversity.
• Abstract（参考訳）: 最近の研究は、対称LLMエージェントによる価格設定がアルゴリズムの共謀につながることを示している。 実際の展開の典型的な不均一性の下では、衝突は脆弱であることを示す。 スタイリングされた繰り返し価格モデルでは、忍耐やデータアクセスの不均一性は、衝突平衡の集合を減少させる。 忍耐不均一性は価格上昇を22%から10%まで下げ、非対称なデータアクセスは7%に削減する。 競合するLLMの数が増加すると、コラシオンが崩壊する。 しかし、モデルサイズの違い(例えば、32Bと14Bの重量)はそうではない。 本稿では,データ共有を規制する執行行動や,アルゴリズムの多様性を促進する政策など,反トラストの影響について論じる。

関連論文リスト

• On Performance Guarantees for Federated Learning with Personalized Constraints [1.0195618602298684]
  フェデレートラーニング(FL)は、複数のエージェントにまたがる分散ラーニングのための通信効率のよいアルゴリズムフレームワークとして登場した。 そこで我々は,PC-FedAvgを提案する。PC-FedAvgはマルチブロック局所決定ベクトルを用いて,各エージェントが他エージェントの変数の相互推定を行う手法である。 我々は,サブ最適化のために$mathcalO(-2)$,エージェントワイド実現のために$mathcalO(-1)$の通信複雑度を定めている。
  論文  参考訳（メタデータ） (2026-03-20T03:49:28Z)
• Colosseum: Auditing Collusion in Cooperative Multi-Agent Systems [55.51100373104311]
  マルチエージェント設定におけるLLMエージェントの協調動作を監査するためのフレームワークであるColosseumを提案する。 コロッセウムは、異なる目的、説得戦術、ネットワークトポロジの下で、それぞれのLSMを照合するためにテストする。 我々は、エージェントがテキストでコラージュするが、しばしば非コラージュ的な行動を選ぶときに、論文上での「共謀」を発見する。
  論文  参考訳（メタデータ） (2026-02-16T21:27:38Z)
• DLLM Agent: See Farther, Run Faster [94.74432470237817]
  拡散大言語モデル(DLLM)は、自己回帰(AR)デコーディングの代替として、魅力的な効率とモデリング特性を持つ。 我々は、DLLMとARのバックボーンを同一のエージェントワークフロー内でインスタンス化することで、制御された環境でこれを研究する。 DLLMエージェントはARエージェントよりも平均30%以上速く、場合によっては8倍のスピードアップを達成している。
  論文  参考訳（メタデータ） (2026-02-07T09:01:18Z)
• Understanding Agent Scaling in LLM-Based Multi-Agent Systems via Diversity [48.409368133277525]
  エージェント数ではなく,本質的なタスクの不確実性によってMAS性能が拘束されていることを示す情報理論フレームワークを提案する。 アーキテクチャに依存しないバウンダリを導出し、システムへのアクセスする有効なチャネルの数に依存することを示す。 本結果は,多様性を意識した設計を通じて,効率的で堅牢なMASを構築するための原則的ガイドラインを提供する。
  論文  参考訳（メタデータ） (2026-02-03T17:58:10Z)
• LLM Collusion [5.363252654303049]
  大型言語モデル(LLM)は、両方の販売者が同じ事前訓練されたモデルに依存している場合、二重言語での共謀を促進することができる。 LLMのロバスト性とロバスト性の設定は相転移によって共謀を誘発できることを示す。
  論文  参考訳（メタデータ） (2026-01-03T20:38:21Z)
• LLMs Learn to Deceive Unintentionally: Emergent Misalignment in Dishonesty from Misaligned Samples to Biased Human-AI Interactions [60.48458130500911]
  本研究は, 緊急不整合が, 安全行動を超えて, より広範な不正行為や詐欺のスペクトルにまで及ぼせるかどうかを, 高リスクシナリオ下で検討する。 さまざまな領域にまたがるミスアライメントの完了について、LLMをオープンソースにしました。 標準下流タスクに1%のミスアライメントデータを導入するだけで、正直な振る舞いを20%以上減らすのに十分であることがわかった。
  論文  参考訳（メタデータ） (2025-10-09T13:35:19Z)
• Artificial Intelligence and Algorithmic Price Collusion in Two-sided Markets [9.053163124987535]
  両市場において,Qラーニングを用いたAIエージェントが暗黙の共謀にどのように関与するかを検討する。 我々の実験によると、AI駆動プラットフォームはBertrandの競合よりも高いコラシオンレベルを実現している。 ネットワークの外部性の向上は、共謀を著しく向上させ、AIアルゴリズムがそれらを活用して利益を最大化することを示唆している。
  論文  参考訳（メタデータ） (2024-07-04T17:57:56Z)
• Algorithmic Collusion by Large Language Models [0.821479429671911]
  我々は,Large Language Models(LLMs)に基づくアルゴリズム価格設定エージェントによる実験を行う。 LLMベースの価格設定エージェントは、オリゴポリー設定において、迅速かつ自律的に超競争的な価格と利益に達する。 オフパス分析は、これらの現象に寄与するとして価格戦争の懸念を明らかにする。
  論文  参考訳（メタデータ） (2024-03-31T21:43:05Z)
• Distributed Adaptive Learning Under Communication Constraints [54.22472738551687]
  本研究では,コミュニケーション制約下での運用を目的とした適応型分散学習戦略について検討する。 我々は,ストリーミングデータの連続的な観察から,オンライン最適化問題を解決しなければならないエージェントのネットワークを考える。
  論文  参考訳（メタデータ） (2021-12-03T19:23:48Z)

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。