論文の概要: Strategic Algorithmic Monoculture:Experimental Evidence from Coordination Games

• arxiv url: http://arxiv.org/abs/2604.09502v1
• Date: Fri, 10 Apr 2026 17:14:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.977028
• Title: Strategic Algorithmic Monoculture:Experimental Evidence from Coordination Games
• Title（参考訳）: ストラテジックアルゴリズムによるモノカルチャー:コーディネーションゲームによる実験的エビデンス
• Abstract要約: AIエージェントは、結果が調整に依存するマルチエージェント環境でますます運用される。 我々は、主要なアルゴリズム的モノカルチャー(ベースラインアクション類似性)と戦略的アルゴリズム的モノカルチャーを区別し、エージェントはインセンティブに応じて類似性を調整する。 我々はこれらの力をきれいに分離するシンプルな実験設計を実装し、それを人間と大規模言語モデル(LLM)の主題に展開する。
• 参考スコア（独自算出の注目度）: 18.483982171238377
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI agents increasingly operate in multi-agent environments where outcomes depend on coordination. We distinguish primary algorithmic monoculture -- baseline action similarity -- from strategic algorithmic monoculture, whereby agents adjust similarity in response to incentives. We implement a simple experimental design that cleanly separates these forces, and deploy it on human and large language model (LLM) subjects. LLMs exhibit high levels of baseline similarity (primary monoculture) and, like humans, they regulate it in response to coordination incentives (strategic monoculture). While LLMs coordinate extremely well on similar actions, they lag behind humans in sustaining heterogeneity when divergence is rewarded.
• Abstract（参考訳）: AIエージェントは、結果が調整に依存するマルチエージェント環境でますます運用される。 我々は、主要なアルゴリズム的モノカルチャー(基本動作類似性)と戦略的アルゴリズム的モノカルチャーを区別し、エージェントはインセンティブに応じて類似性を調整する。 我々はこれらの力をきれいに分離するシンプルな実験設計を実装し、それを人間と大規模言語モデル(LLM)の主題に展開する。 LLMは高いレベルのベースライン類似性(一次モノカルチャー)を示し、人間と同様に、調整インセンティブ(戦略モノカルチャー)に反応してそれを規制する。 LLMは類似した行動で極めてよく協調するが、分岐が報われると不均一性を維持するために人間より遅れる。

関連論文リスト

• From Process Loss to Assembly Bonus: Human-Grounded Diagnosis of Multi-Agent LLM Collaboration [11.269223379412315]
  We compare human group chats with matched LLM deliberation traces on Wason-style deductive reasoning。 議論は、最高の初期メンバーよりも平均メンバーをより頻繁に改善する。 以上の結果から,LCM群は,組立ボーナスやプロセス損失を発生させるメカニズムに偏りつつ,人間の熟考の成果レベルのパターンを再現できることが示唆された。
  論文  参考訳（メタデータ） (2026-09-06T17:58:09Z)
• Do LLMs Take Care of Their Own? Similarity Signals Can Induce Cooperation [29.79569269141268]
  本稿では,エージェントに次数的類似性信号が付与された場合のLCM判定のための第1の枠組みを提案する。 異なるLLMモデルは、類似性信号のナビゲート方法に大きく異なることがわかった。 実験により、類似性信号が計算されたデータセットは、誘導的協調にほとんど影響しないことが示された。
  論文  参考訳（メタデータ） (2026-08-12T14:47:15Z)
• Collective cooperation without individual fidelity in LLM agents [0.0]
  大規模言語モデル (LLMs) は、社会システムのシミュレーションのエージェントとしてますます使われている。 彼らの行動がいつ人間の意思決定の忠実な代行であると解釈されるのかは、いまだ不明である。
  論文  参考訳（メタデータ） (2026-06-29T15:22:21Z)
• Representational Similarity and Model Behavior in Multi-Agent Interaction [86.305731341492]
  マルチエージェントシステム設計において,表現的類似性は重要な考慮事項であることを示す。 より類似した表現空間を持つペアは、はるかに高い協調を実現するが、新規性や創造性は低下する。 このことは、これらのパターンの根底にある中心的な要素が、2つのモデルが語彙と意味的な接点を共有する範囲である可能性を示唆している。
  論文  参考訳（メタデータ） (2026-06-05T19:59:17Z)
• Scaling Behavior of Single LLM-Driven Multi-Agent Systems [5.2324118961669575]
  マルチエージェントシステム(MAS)は、協調的な知性によって複雑なタスクに取り組むことを約束する。 本稿では, エージェント数の増加に伴い, 均質MASの性能がどう進化するかを系統的に検討する。
  論文  参考訳（メタデータ） (2026-05-30T09:57:49Z)
• SynAgent: Generalizable Cooperative Humanoid Manipulation via Solo-to-Cooperative Agent Synergy [59.86199649493784]
  制御可能な協調的ヒューマノイド操作は、インボディードインテリジェンスにとって根本的な問題である。 スケーラブルで物理的に妥当な協調操作を可能にするフレームワークであるSynAgentを提案する。 実験では、SynAgentは協調模倣と軌道条件制御の両方において既存のベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-04-20T17:46:20Z)
• Towards a Science of Collective AI: LLM-based Multi-Agent Systems Need a Transition from Blind Trial-and-Error to Rigorous Science [70.3658845234978]
  大規模言語モデル(LLM)はマルチエージェントシステム(MAS)の機能を大幅に拡張した。 この急速な進歩にもかかわらず、この分野はいまだに実証的な試行錯誤に大きく依存している。 このボトルネックは、帰属の曖昧さに起因している。 本稿では,協調運転要因を体系的に同定する要因帰属パラダイムを提案する。
  論文  参考訳（メタデータ） (2026-02-05T04:19:52Z)
• Tacit Coordination of Large Language Models [19.473278869118346]
  シェリングの理論は、人が焦点に依存してどのように協調するかを説明する。 この研究は多言語モデル(LLM)を暗黙の調整ゲームにおけるプレイヤーとして研究している。
  論文  参考訳（メタデータ） (2026-01-28T13:34:04Z)
• Understanding LLM Agent Behaviours via Game Theory: Strategy Recognition, Biases and Multi-Agent Dynamics [1.6487772637295166]
  我々はFAIRGAMEフレームワークを拡張し、繰り返しの社会的ジレンマにおける大規模言語モデル(LLM)の振る舞いを評価する。 LLMは、言語フレーミングが建築的差異に匹敵する効果を発揮することを示し、体系的、モデル的、言語に依存した行動意図を示す。
  論文  参考訳（メタデータ） (2025-12-08T11:40:03Z)
• CoMAS: Co-Evolving Multi-Agent Systems via Interaction Rewards [80.78748457530718]
  自己進化(Self-evolution)は、大規模言語モデル(LLM)ベースのエージェントが事前トレーニング後の能力を継続的に改善できるようにする上で、中心的な研究トピックである。 エージェントがエージェント間相互作用から学習することで自律的に改善できる新しいフレームワークであるCo-Evolving Multi-Agent Systems (CoMAS)を紹介する。
  論文  参考訳（メタデータ） (2025-10-09T17:50:26Z)
• Corrupted by Reasoning: Reasoning Language Models Become Free-Riders in Public Goods Games [87.5673042805229]
  大規模言語モデルは、アライメント、堅牢性、安全なデプロイメントを保証する上で、いかに自己関心と集合的幸福のバランスをとるかが重要な課題である。 我々は、行動経済学から制度的に選択した公共財ゲームに適応し、異なるLLMがいかに社会的ジレンマをナビゲートするかを観察することができる。 意外なことに、o1シリーズのようなLCMの推論は、協調にかなり苦労している。
  論文  参考訳（メタデータ） (2025-06-29T15:02:47Z)
• Multi-Agent Collaboration via Evolving Orchestration [55.574417128944226]
  大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。 LLMに基づくマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し,タスク状態の進化に応じて,中央集権的なオーケストレータ("puppeteer")がエージェント("puppets")を動的に指示する。 クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2025-05-26T07:02:17Z)
• Emergent Dominance Hierarchies in Reinforcement Learning Agents [5.451419559128312]
  現代の強化学習(RL)アルゴリズムは、様々なタスクにおいて人間より優れている。 我々は、RLエージェントの集団が、新しい集団に支配階層を発明し、学習し、強制し、伝達できることを示します。 支配的な階層構造は、鶏、マウス、魚、その他の種で研究されるものと類似した構造を持つ。
  論文  参考訳（メタデータ） (2024-01-21T16:59:45Z)

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。