論文の概要: Multi-User Large Language Model Agents

• arxiv url: http://arxiv.org/abs/2604.08567v1
• Date: Thu, 19 Mar 2026 19:31:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.429311
• Title: Multi-User Large Language Model Agents
• Title（参考訳）: マルチユーザ大規模言語モデルエージェント
• Authors: Shu Yang, Shenzhe Zhu, Hao Zhu, José Ramón Enríquez, Di Wang, Alex Pentland, Michiel A. Bakker, Jiaxin Pei,
• Abstract要約: 大規模言語モデル (LLM) と LLM ベースのエージェントは、計画と意思決定のアシスタントとしてますます多くデプロイされている。 マルチユーザLSMエージェントに関する最初の体系的研究について述べる。
• 参考スコア（独自算出の注目度）: 18.001343114312853
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) and LLM-based agents are increasingly deployed as assistants in planning and decision making, yet most existing systems are implicitly optimized for a single-principal interaction paradigm, in which the model is designed to satisfy the objectives of one dominant user whose instructions are treated as the sole source of authority and utility. However, as they are integrated into team workflows and organizational tools, they are increasingly required to serve multiple users simultaneously, each with distinct roles, preferences, and authority levels, leading to multi-user, multi-principal settings with unavoidable conflicts, information asymmetry, and privacy constraints. In this work, we present the first systematic study of multi-user LLM agents. We begin by formalizing multi-user interaction with LLM agents as a multi-principal decision problem, where a single agent must account for multiple users with potentially conflicting interests and associated challenges. We then introduce a unified multi-user interaction protocol and design three targeted stress-testing scenarios to evaluate current LLMs' capabilities in instruction following, privacy preservation, and coordination. Our results reveal systematic gaps: frontier LLMs frequently fail to maintain stable prioritization under conflicting user objectives, exhibit increasing privacy violations over multi-turn interactions, and suffer from efficiency bottlenecks when coordination requires iterative information gathering.
• Abstract（参考訳）: 大規模言語モデル (LLM) と LLM ベースのエージェントは、計画と意思決定のアシスタントとしてますます多くデプロイされているが、既存のシステムの多くは、単一の原則的相互作用パラダイムに暗黙的に最適化されている。 しかしながら、チームのワークフローや組織ツールに統合されているため、複数のユーザに対して、それぞれ異なる役割、選好、権限レベルを持つと同時に、回避不能な競合、情報非対称性、プライバシ制約を備えたマルチユーザ、マルチプリンシパル設定へと導くことがますます求められています。 本研究では,マルチユーザLSMエージェントに関する最初の体系的研究について述べる。 まず,LLMエージェントとのマルチユーザインタラクションをマルチプリンシパル決定問題として定式化する。 次に、統合されたマルチユーザインタラクションプロトコルを導入し、3つの目標となるストレステストシナリオを設計し、現在のLCMのインストラクション、プライバシ保護、調整の能力を評価する。 フェデラルなLCMは、競合するユーザ目標の下で安定した優先順位付けを維持することができず、多ターンインタラクションに対するプライバシー侵害が増加し、協調が反復的な情報収集を必要とする場合、効率上のボトルネックに悩まされることが多い。

関連論文リスト

• One Model for All: Multi-Objective Controllable Language Models [65.4626816393381]
  我々は、優先条件付きポリシーネットワークとして単一の言語モデルをトレーニングするために、MOC(Multi-Objective Control)を導入する。 提案手法では,マルチオブジェクト最適化(MOO)の原則をRLHFに導入し,LLMを優先条件付きポリシネットワークとしてトレーニングする。 大規模な実験は、3つの面において基線よりもMOCの利点を実証している。
  論文  参考訳（メタデータ） (2026-04-06T07:48:32Z)
• MO-MIX: Multi-Objective Multi-Agent Cooperative Decision-Making With Deep Reinforcement Learning [68.91090643731987]
  深部強化学習(RL)は複雑な意思決定問題を解決するために広く応用されている。 既存のアプローチは、別々のフィールドに限られており、単一の目的でマルチエージェントの意思決定しか処理できない。 マルチオブジェクト型マルチエージェント強化学習(MOMARL)問題の解法としてMO-mixを提案する。
  論文  参考訳（メタデータ） (2026-02-28T16:25:22Z)
• Multi-Agent Tool-Integrated Policy Optimization [67.12841355267678]
  大規模言語モデル(LLM)は、知識集約的かつ複雑な推論タスクに対して、多ターンツール統合計画にますます依存している。 既存の実装は通常、単一のエージェントに依存するが、コンテキスト長とノイズの多いツールレスポンスに悩まされる。 ツール統合マルチエージェントフレームワークの効果的な強化学習をサポートする方法はない。
  論文  参考訳（メタデータ） (2025-10-06T10:44:04Z)
• LLM-Driven Dual-Level Multi-Interest Modeling for Recommendation [12.89199121698673]
  大規模言語モデル (LLM) は、その豊富な知識と強力な推論能力により、多言語分析において大きな可能性を示す。 より効果的なレコメンデーションのためのLLM駆動型デュアルレベル多目的モデリングフレームワークを提案する。 実世界のデータセットの実験は、最先端の手法に対する我々のアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2025-07-15T02:13:54Z)
• A Trustworthy Multi-LLM Network: Challenges,Solutions, and A Use Case [59.58213261128626]
  複数の大規模言語モデル(LLM)を信頼性のあるマルチLLMネットワーク(MultiLLMN)に接続するブロックチェーン対応協調フレームワークを提案する。 このアーキテクチャは、複雑なネットワーク最適化問題に対する最も信頼性が高く高品質な応答の協調評価と選択を可能にする。
  論文  参考訳（メタデータ） (2025-05-06T05:32:46Z)
• MAP: Multi-user Personalization with Collaborative LLM-powered Agents [11.027068698393027]
  本稿では,リフレクション,分析,フィードバックの3段階からなるマルチユーザパーソナライズのためのユーザ中心ワークフローを提案する。 textbfMulti-textbfAgent system for multi-user textbfPersonalization -- MAPはこのワークフローを運用する。 ユーザ調査では、MAPの有効性とコンフリクト解決のユーザビリティを強調しながら、解決の検証と失敗管理におけるユーザの関与の重要性を強調した。
  論文  参考訳（メタデータ） (2025-03-17T02:52:10Z)
• Learning Emergence of Interaction Patterns across Independent RL Agents in Multi-Agent Environments [3.0284592792243794]
  ボトムアップネットワーク(BUN)は、マルチエージェントの集合を統一エンティティとして扱う。 協調ナビゲーションやトラヒックコントロールなどのタスクを含む,さまざまな協調型マルチエージェントシナリオに対する実証的な評価は,BUNが計算コストを大幅に削減したベースライン手法よりも優れていることを一貫して証明している。
  論文  参考訳（メタデータ） (2024-10-03T14:25:02Z)
• Small LLMs Are Weak Tool Learners: A Multi-LLM Agent [73.54562551341454]
  大規模言語モデル(LLM)エージェントはスタンドアロンのLLMの機能を大幅に拡張する。 本稿では、上記の機能をプランナー、呼び出し元、要約器に分解する新しい手法を提案する。 このモジュール化されたフレームワークは、個々の更新と、それぞれの機能を構築するための小さなLLMの潜在的な使用を容易にする。
  論文  参考訳（メタデータ） (2024-01-14T16:17:07Z)
• Recommender AI Agent: Integrating Large Language Models for Interactive Recommendations [53.76682562935373]
  我々は,LLMを脳として,レコメンダモデルをツールとして使用する,textbfInteRecAgentという効率的なフレームワークを紹介した。 InteRecAgentは会話レコメンデーションシステムとして満足度を達成し、汎用LLMよりも優れる。
  論文  参考訳（メタデータ） (2023-08-31T07:36:44Z)

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。