論文の概要: Beyond Arrow's Impossibility: Fairness as an Emergent Property of Multi-Agent Collaboration

• arxiv url: http://arxiv.org/abs/2604.13705v1
• Date: Wed, 15 Apr 2026 10:34:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.489512
• Title: Beyond Arrow's Impossibility: Fairness as an Emergent Property of Multi-Agent Collaboration
• Title（参考訳）: アローの不合理性を超えて:マルチエージェントコラボレーションの創発的特性としての公正性
• Authors: Sayan Kumar Chaki, Antoine Gourru, Julien Velcin,
• Abstract要約: 大規模言語モデルがエージェントとなるにつれて、相互作用と交換によって公平性が生まれることを提案する。 本研究は,2人のエージェントが3回の構造化された議論ラウンドで交渉する,管理された病院トリアージの枠組みを用いて研究する。
• 参考スコア（独自算出の注目度）: 3.4539478661465766
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fairness in language models is typically studied as a property of a single, centrally optimized model. As large language models become increasingly agentic, we propose that fairness emerges through interaction and exchange. We study this via a controlled hospital triage framework in which two agents negotiate over three structured debate rounds. One agent is aligned to a specific ethical framework via retrieval-augmented generation (RAG), while the other is either unaligned or adversarially prompted to favor demographic groups over clinical need. We find that alignment systematically shapes negotiation strategies and allocation patterns, and that neither agent's allocation is ethically adequate in isolation, yet their joint final allocation can satisfy fairness criteria that neither would have reached alone. Aligned agents partially moderate bias through contestation rather than override, acting as corrective patches that restore access for marginalized groups without fully converting a biased counterpart. We further observe that even explicitly aligned agents exhibit intrinsic biases toward certain frameworks, consistent with known left-leaning tendencies in LLMs. We connect these limits to Arrow's Impossibility Theorem: no aggregation mechanism can simultaneously satisfy all desiderata of collective rationality, and multi-agent deliberation navigates rather than resolves this constraint. Our results reposition fairness as an emergent, procedural property of decentralized agent interaction, and the system rather than the individual agent as the appropriate unit of evaluation.
• Abstract（参考訳）: 言語モデルの公正性は、典型的には単一の中央最適化モデルの性質として研究される。 大規模言語モデルがますますエージェント的になるにつれて、相互作用と交換によって公平性が生まれることが提案される。 本研究は,2人のエージェントが3回の構造化された議論ラウンドで交渉する,管理された病院トリアージの枠組みを用いて研究する。 1つのエージェントは、検索増強世代(RAG)を介して特定の倫理的枠組みに整列し、もう1つのエージェントは、臨床ニーズよりも人口動態グループを支持するように非整列または反対に促される。 我々は、アライメントが交渉戦略とアロケーションパターンを体系的に形成し、どちらのエージェントのアロケーションも独立して倫理的に適切でないことを見出した。 調整されたエージェントは、オーバーライドではなくコンテストを通じて部分的に適度な偏見を呈し、偏見のあるグループを完全に変換することなく、限界化されたグループへのアクセスを回復する修正パッチとして機能する。 さらに、明示的に整列されたエージェントでさえ、LLMの既知の左傾傾向と一致して、特定のフレームワークに対して固有のバイアスを示すことを観察する。 我々はこれらの極限をアローの不合理性定理に結び付ける: 集合的合理性のすべてのデシダータを同時に満たすアグリゲーション機構は存在しない。 本研究の結果は,分散エージェントインタラクションの創発的,手続き的特性としての公正性と,適切な評価単位としての個々のエージェントではなく,システムとしての公正性を示すものである。

関連論文リスト

• AffectAgent: Collaborative Multi-Agent Reasoning for Retrieval-Augmented Multimodal Emotion Recognition [62.16431420189863]
  LLMに基づくマルチモーダル感情認識は静的なパラメトリックメモリに依存しており、ニュアンス化された感情状態の解釈時にしばしば幻覚を与える。 本稿では,感情指向型マルチエージェント検索拡張生成フレームワークであるAffectAgentを紹介する。 AffectAgentは3つの共同最適化されたエージェント、すなわちクエリプランナー、エビデンスフィルタ、感情生成器から構成される。
  論文  参考訳（メタデータ） (2026-04-14T13:49:19Z)
• When Is Collective Intelligence a Lottery? Multi-Agent Scaling Laws for Memetic Drift in LLMs [19.42697228981973]
  命名ゲームにおいて、特定のエージェントがラベルを優先しない場合でも、人口は急速に対称性を破り、コンセンサスに達することを示す。 最小限のモデルであるQuantized Simplex Gossip (QSG)を導入し、この合意の微妙な起源を相互文脈学習に追従するメカニズムを明らかにする。 我々は,人口規模,通信帯域幅,文脈内適応率,エージェントの内部不確実性の関数として,ドリフト誘起偏光のスケーリング法則を導出する。
  論文  参考訳（メタデータ） (2026-03-25T18:00:29Z)
• The Coordination Gap: Alternation Metrics for Temporal Dynamics in Multi-Agent Battle of the Exes [0.0]
  マルコフゲームとして,BoEから派生したエグゼスの戦いのマルチエージェント変種について検討する。 高い総括的な支払いは、時間的調整の貧弱さと共存できることを示す。
  論文  参考訳（メタデータ） (2026-03-06T00:43:53Z)
• Intersectional Fairness via Mixed-Integer Optimization [2.664154603948153]
  真の公正性は、保護されたグループの交差点におけるバイアスに対処する必要があると我々は主張する。 本研究では,Mixed-Integer Optimization (MIO) を利用して,相互に公平かつ本質的に解釈可能な分類器を訓練する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-27T13:29:25Z)
• Emergent Coordination in Multi-Agent Language Models [2.504366738288215]
  マルチエージェントシステムが高次構造の兆候を示すかどうかをテストするための情報理論フレームワークを提案する。 この情報分解により、マルチエージェントLLMシステムに動的に出現するかどうかを測定することができる。 我々は,エージェントの直接通信を使わずに,単純な推測ゲームを用いた実験に本フレームワークを適用した。
  論文  参考訳（メタデータ） (2025-10-05T11:26:41Z)
• When Disagreements Elicit Robustness: Investigating Self-Repair Capabilities under LLM Multi-Agent Disagreements [56.29265568399648]
  我々は、不一致が早期のコンセンサスを防ぎ、探索されたソリューション空間を拡張することを主張する。 タスククリティカルなステップの相違は、ソリューションパスのトポロジによってコラボレーションを損なう可能性がある。
  論文  参考訳（メタデータ） (2025-02-21T02:24:43Z)
• Pure Exploration under Mediators' Feedback [63.56002444692792]
  マルチアームバンディット(Multi-armed bandits)は、各インタラクションステップにおいて、学習者が腕を選択し、報酬を観察する、シーケンシャルな意思決定フレームワークである。 本稿では,学習者が仲介者の集合にアクセスできるシナリオについて考察する。 本稿では,学習者には仲介者の方針が知られていると仮定して,最適な腕を発見するための逐次的意思決定戦略を提案する。
  論文  参考訳（メタデータ） (2023-08-29T18:18:21Z)
• On the Complexity of Multi-Agent Decision Making: From Learning in Games to Partial Monitoring [105.13668993076801]
  マルチエージェント強化学習(MARL)理論における中心的な問題は、構造条件やアルゴリズムの原理がサンプル効率の学習保証につながるかを理解することである。 本稿では,複数のエージェントを用いた対話型意思決定のための一般的な枠組みとして,この問題について考察する。 マルチエージェント意思決定における統計的複雑性を特徴付けることは、単一エージェント決定の統計的複雑性を特徴付けることと等価であることを示す。
  論文  参考訳（メタデータ） (2023-05-01T06:46:22Z)
• VCG Mechanism Design with Unknown Agent Values under Stochastic Bandit Feedback [104.06766271716774]
  本研究では,エージェントが自己の価値を知らない場合に,マルチラウンドの福祉最大化機構設計問題について検討する。 まず、福祉に対する後悔の3つの概念、各エージェントの個々のユーティリティ、メカニズムの3つの概念を定義します。 当社のフレームワークは価格体系を柔軟に制御し、エージェントと販売者の後悔のトレードオフを可能にする。
  論文  参考訳（メタデータ） (2020-04-19T18:00:58Z)

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。