論文の概要: How memory can affect collective and cooperative behaviors in an LLM-Based Social Particle Swarm

• arxiv url: http://arxiv.org/abs/2604.12250v1
• Date: Tue, 14 Apr 2026 03:54:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.221515
• Title: How memory can affect collective and cooperative behaviors in an LLM-Based Social Particle Swarm
• Title（参考訳）: LLMを用いた社会粒子群における記憶が集団的・協力的行動に与える影響
• Authors: Taisei Hishiki, Takaya Arita, Reiji Suzuki,
• Abstract要約: 本研究では,大規模言語モデル (LLM) エージェントのモデル固有特性について検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study examines how model-specific characteristics of Large Language Model (LLM) agents, including internal alignment, shape the effect of memory on their collective and cooperative dynamics in a multi-agent system. To this end, we extend the Social Particle Swarm (SPS) model, in which agents move in a two-dimensional space and play the Prisoner's Dilemma with neighboring agents, by replacing its rule-based agents with LLM agents endowed with Big Five personality scores and varying memory lengths. Using Gemini-2.0-Flash, we find that memory length is a critical parameter governing collective behavior: even a minimal memory drastically suppressed cooperation, transitioning the system from stable cooperative clusters through cyclical formation and collapse of clusters to a state of scattered defection as memory length increased. Big Five personality traits correlated with agent behaviors in partial agreement with findings from experiments with human participants, supporting the validity of the model. Comparative experiments using Gemma~3:4b revealed the opposite trend: longer memory promoted cooperation, accompanied by the formation of dense cooperative clusters. Sentiment analysis of agents' reasoning texts showed that Gemini interprets memory increasingly negatively as its length grows, while Gemma interprets it less negatively, and that this difference persists in the early phase of experiments before the macro-level dynamics converge. These results suggest that model-specific characteristics of LLMs, potentially including alignment, play a fundamental role in determining emergent social behavior in Generative Agent-Based Modeling, and provide a micro-level cognitive account of the contradictions found in prior work on memory and cooperation.
• Abstract（参考訳）: 本研究では,大規模言語モデル (LLM) エージェントのモデル固有特性について検討した。 そこで我々は,2次元空間内をエージェントが移動し,隣接するエージェントで囚人のジレンマをプレイするソーシャルパーティクル・スワム(SPS)モデルを拡張し,そのルールベースのエージェントを,ビッグファイブのパーソナリティスコアと様々なメモリ長を付与したLPMエージェントに置き換える。 Gemini-2.0-Flashを用いて、メモリ長は集団的挙動を規定する重要なパラメータであり、最小限のメモリでさえ協調を劇的に抑制し、安定な協調クラスタからクラスタの循環的形成と崩壊を経て、メモリ長が増加するにつれて分散欠陥状態へとシステムを移行させる。 ビッグファイブの性格特性は, モデルの有効性を裏付ける実験結果と部分的に一致したエージェント行動と相関した。 Gemma~3:4bを用いた比較実験では反対の傾向が明らかとなった。 エージェントの推論テキストの感度分析により、ジェミニはその長さが大きくなるにつれてメモリを次第に否定的に解釈し、ジェマはそれを否定的に解釈し、この差はマクロレベルのダイナミクスが収束する前に実験の初期段階で持続することを示した。 これらの結果から, LLMのモデル特異的特性は, コーディネートを含む可能性があり, 創発的エージェントベースモデリングにおける創発的社会的行動決定の基本的な役割を担っていることが示唆された。

関連論文リスト

• Social Hippocampus Memory Learning [54.381608978482184]
  SoHipはメモリ中心のソーシャル機械学習フレームワークだ。 モデル共有ではなく、メモリ共有を通じて異種エージェント間の協調を可能にする。 7つのベースラインを持つ2つのベンチマークデータセットの実験は、SoHipが既存のメソッドを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-26T16:31:00Z)
• When Agents "Misremember" Collectively: Exploring the Mandela Effect in LLM-based Multi-Agent Systems [45.33522933253109]
  マンデラ効果(英: Mandela effect)は、社会的影響と内在的な誤情報によって強化された虚偽の詳細の結果、集団的に過去の出来事を誤記憶する現象である。 この脆弱性は、マルチエージェントシステムにおけるメモリバイアスの理解を制限し、誤情報の潜在的な拡散に関する倫理的懸念を提起する。 我々は,この効果を緩和する戦略を提案し,即時防御とモデルレベルのアライメントに基づく防御を提案する。
  論文  参考訳（メタデータ） (2026-01-31T00:47:46Z)
• Temporal Complexity and Self-Organization in an Exponential Dense Associative Memory Model [0.0]
  時間複雑度(TC)は、秩序と障害の間の断続的な遷移イベントによって複雑なシステムを特徴づけるフレームワークである。 以上の結果から,SEDAMモデルでは,非自明な時間的相関とスケールフリーな挙動を特徴とする複雑な断続的な状態がみられた。 本研究は, 人工神経と生体神経の学習と情報処理を理解するための補完的枠組みとして, TCの意義を強調した。
  論文  参考訳（メタデータ） (2026-01-16T18:01:14Z)
• AgentZero++: Modeling Fear-Based Behavior [4.783433971864009]
  我々は,集団暴力をシミュレートするための認知,感情,社会的メカニズムを統合したエージェントベースモデルであるAgentZero++を提案する。 EpsteinのAgent_Zeroフレームワークをベースにして、8つの振る舞い拡張でオリジナルのモデルを拡張します。 これらの追加により、エージェントは内部の状態、以前の経験、社会的フィードバックに基づいて適応できる。
  論文  参考訳（メタデータ） (2025-10-05T22:33:56Z)
• How Memory Management Impacts LLM Agents: An Empirical Study of Experience-Following Behavior [65.70584076918679]
  メモリは、大きな言語モデル(LLM)ベースのエージェントにおいて重要なコンポーネントである。 本稿では,メモリ管理の選択がLLMエージェントの行動,特に長期的パフォーマンスに与える影響について検討する。
  論文  参考訳（メタデータ） (2025-05-21T22:35:01Z)
• Scaling Large Language Model-based Multi-Agent Collaboration [72.8998796426346]
  近年の大規模言語モデル駆動型自律エージェントのブレークスルーにより、複数エージェントのコラボレーションが集団的推論を通じて各個人を上回ることが判明している。 本研究は、協調剤の連続的な添加が同様の利益をもたらすかどうかを考察する。
  論文  参考訳（メタデータ） (2024-06-11T11:02:04Z)
• A Survey on the Memory Mechanism of Large Language Model based Agents [66.4963345269611]
  大規模言語モデル(LLM)に基づくエージェントは、最近、研究や産業コミュニティから多くの注目を集めている。 LLMベースのエージェントは、現実の問題を解決する基礎となる自己進化能力に特徴付けられる。 エージェント-環境相互作用をサポートする重要なコンポーネントは、エージェントのメモリである。
  論文  参考訳（メタデータ） (2024-04-21T01:49:46Z)
• 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。