論文の概要: "Who Am I, and Who Else Is Here?" Behavioral Differentiation Without Role Assignment in Multi-Agent LLM Systems
- arxiv url: http://arxiv.org/abs/2604.00026v1
- Date: Wed, 11 Mar 2026 07:05:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 02:36:13.204439
- Title: "Who Am I, and Who Else Is Here?" Behavioral Differentiation Without Role Assignment in Multi-Agent LLM Systems
- Title（参考訳）: 「私は誰なのか?」多エージェントLLMシステムにおける役割割り当てのない行動差
- Authors: Houssam EL Kandoussi,
- Abstract要約: 本稿では,マルチエージェントの同時議論を組織化する実験プラットフォームを提案する。
異種群は同種群よりも行動の分化が著しく大きいことが判明した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: When multiple large language models interact in a shared conversation, do they develop differentiated social roles or converge toward uniform behavior? We present a controlled experimental platform that orchestrates simultaneous multi-agent discussions among 7 heterogeneous LLMs on a unified inference backend, systematically varying group composition, naming conventions, and prompt structure across 12 experimental series (208 runs, 13,786 coded messages). Each message is independently coded on six behavioral flags by two LLM judges from distinct model families (Gemini 3.1 Pro and Claude Sonnet 4.6), achieving mean Cohen's kappa = 0.78 with conservative intersection-based adjudication. Human validation on 609 randomly stratified messages confirmed coding reliability (mean kappa = 0.73 vs. Gemini). We find that (1) heterogeneous groups exhibit significantly richer behavioral differentiation than homogeneous groups (cosine similarity 0.56 vs. 0.85; p < 10^-5, r = 0.70); (2) groups spontaneously exhibit compensatory response patterns when an agent crashes; (3) revealing real model names significantly increases behavioral convergence (cosine 0.56 to 0.77, p = 0.001); and (4) removing all prompt scaffolding converges profiles to homogeneous-level similarity (p < 0.001). Critically, these behaviors are absent when agents operate in isolation, confirming that behavioral diversity is a structured, reproducible phenomenon driven by the interaction of architectural heterogeneity, group context, and prompt-level scaffolding.
- Abstract（参考訳）: 複数の大きな言語モデルが共有会話の中で相互作用する場合、彼らは異なる社会的役割を発達するか、均一な行動に収束するか?
本研究では,統一推論バックエンド上での7つの異種LLM間での同時マルチエージェントの議論,グループ構成の体系的変化,命名規則,12つの実験シリーズ(208回の実行,13,786の符号化メッセージ)の即時的構造を編成する制御された実験プラットフォームを提案する。
それぞれのメッセージは、異なるモデルファミリー(Gemini 3.1 ProとClaude Sonnet 4.6)の2人のLCM判事によって、6つの行動旗に独立に符号化され、コーエンのカッパ=0.78の平均的な交叉に基づく偏見が達成される。
ランダムに階層化された609メッセージに対する人間による検証では、コーディングの信頼性が確認された(平均Kappa = 0.73 vs. Gemini)。
その結果,(1) 異種群は, 均質群(コサイン類似度0.56 vs. 0.85, p < 10^-5, r = 0.70), (2) エージェントの衝突時に自発的に補償応答パターンを示す群,(3) 実モデル名を明らかにすると, 行動収束(コサイン0.56から0.77, p = 0.001)が著しく増加し, (4) 全ての急激な足場が均質レベルの類似性(p < 0.001)に収束することが明らかとなった。
批判的なことに、エージェントが単独で行動する場合、これらの行動は欠如しており、行動の多様性は、構造的不均一性、グループコンテキスト、即時レベルの足場との相互作用によって引き起こされる、構造化され再現可能な現象であることを確認した。
関連論文リスト
- Molt Dynamics: Emergent Social Phenomena in Autonomous AI Agent Populations [0.0]
MoltBookは大規模なマルチエージェント協調環境であり、770,000以上の自律LDMエージェントが人間の参加なしに対話する。
textitMolt Dynamics:創発的エージェント協調行動、エージェント間コミュニケーションダイナミクス、役割特殊化パターンを紹介する。
これらの知見は、分散自律エージェントシステムにおける協調力学の実証的ベースラインを確立した。
論文 参考訳（メタデータ） (2026-03-03T22:15:27Z) - How to Model AI Agents as Personas?: Applying the Persona Ecosystem Playground to 41,300 Posts on Moltbook for Behavioral Insights [19.071723886380223]
我々は、AIエージェントのためのソーシャルプラットフォームであるMoltbookにPersona Ecosystem Playgroundを適用する。
我々はk平均クラスタリングと検索拡張生成を用いて41,300の投稿から会話ペルソナを生成し,検証する。
その結果、ペルソナに基づく生態系モデリングは、AIエージェントの集団の行動多様性を表現できることが示唆された。
論文 参考訳（メタデータ） (2026-03-03T16:26:44Z) - 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) - Learning Human-Object Interaction as Groups [52.28258599873394]
GroupHOIは、幾何学的近接性および意味的類似性の観点から文脈情報を伝播するフレームワークである。
これは、より困難な非言語間相互作用検出タスクにおいて、主要なパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-10-21T07:25:10Z) - Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。
現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。
情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
論文 参考訳（メタデータ） (2025-03-21T18:06:28Z) - Homophily Within and Across Groups [0.0]
ホモフィリー(英: Homophily)とは、ネットワークがどのように形成し、機能するかを形作っている。
本稿では,ネットワーク内のすべてのソーシャルスケールのホモフィリーを,グループサイズ毎にパラメータでキャプチャする,最大エントロピーランダムグラフモデルを提案する。
指数関数的な家族モデルとして、経験的データに適合し、集約されたメトリクスが欠落するホモフィリーの群レベルの変動を推測することができる。
論文 参考訳（メタデータ） (2024-12-10T20:17:04Z) - Beyond Instance Discrimination: Relation-aware Contrastive
Self-supervised Learning [75.46664770669949]
本稿では,関係認識型コントラスト型自己教師型学習(ReCo)をインスタンス関係に統合するために提案する。
当社のReCoは、常に顕著なパフォーマンス改善を実現しています。
論文 参考訳（メタデータ） (2022-11-02T03:25:28Z) - Rethinking Trajectory Prediction via "Team Game" [118.59480535826094]
本稿では,対話型グループコンセンサスの概念を明示的に導入した,マルチエージェント軌道予測の新しい定式化について述べる。
チームスポーツと歩行者の2つのマルチエージェント設定において,提案手法は既存手法と比較して常に優れた性能を達成している。
論文 参考訳（メタデータ） (2022-10-17T07:16:44Z) - Unintended Selection: Persistent Qualification Rate Disparities and
Interventions [6.006936459950188]
機械学習におけるグループレベルの格差のダイナミクスについて検討する。
特に、人間の人工グループに固有の差異を仮定しないモデルを求めている。
我々は,非自明な平衡状態の集合に対して,サブポピュレーション間の資格率の差が無期限に持続可能であることを示す。
論文 参考訳（メタデータ） (2021-11-01T18:53:54Z) - Multi-Agent Imitation Learning with Copulas [102.27052968901894]
マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。
本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。
提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
論文 参考訳（メタデータ） (2021-07-10T03:49:41Z)
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。