論文の概要: Explicit Trait Inference for Multi-Agent Coordination

• arxiv url: http://arxiv.org/abs/2604.19278v2
• Date: Wed, 22 Apr 2026 16:58:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.453533
• Title: Explicit Trait Inference for Multi-Agent Coordination
• Title（参考訳）: マルチエージェントコーディネートのための明示的トラスト推定
• Authors: Suhaib Abdurahman, Etsuko Ishii, Katerina Margatina, Divya Bhargavi, Monica Sunkara, Yi Zhang,
• Abstract要約: 本稿では,協調性向上のための心理学的基礎付け手法である明示的トラスト推論(ETI)を提案する。 ETIは、エージェントが2つの確立された心理的次元(例えば、信頼)と能力(例えば、スキル)に沿ってパートナー特性を推測し追跡することを可能にする。 制御された設定(経済ゲーム)においてETIを評価し、より現実的で複雑なマルチエージェント設定(MultiAgentBench)においてペイオフ損失を45-77%削減する。 ETIプロファイルはエージェントの行動を予測し、情報プロファイルは改善を促進する。
• 参考スコア（独自算出の注目度）: 10.612867326344436
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM-based multi-agent systems (MAS) show promise on complex tasks but remain prone to coordination failures such as goal drift, error cascades, and misaligned behaviors. We propose Explicit Trait Inference (ETI), a psychologically grounded method for improving coordination. ETI enables agents to infer and track partner characteristics along two established psychological dimensions--warmth (e.g., trust) and competence (e.g., skill)--from interaction histories to guide decisions. We evaluate ETI in controlled settings (economic games), where it reduces payoff loss by 45-77%, and in more realistic, complex multi-agent settings (MultiAgentBench), where it improves performance by 3-29% depending on the scenario and model, relative to a CoT baseline. Additional analysis shows that gains are closely linked to trait inference: ETI profiles predict agents' actions, and informative profiles drive improvements. These results highlight ETI as a lightweight and robust mechanism for improving coordination in diverse multi-agent settings, and provide the first systematic evidence that LLM agents can (i) reliably infer others' traits from interaction histories and (ii) leverage structured awareness of others' traits for coordination.
• Abstract（参考訳）: LLMベースのマルチエージェントシステム(MAS)は複雑なタスクを約束するが、ゴールドリフト、エラーカスケード、不整合動作などの障害を調整する傾向にある。 本稿では,協調性向上のための心理学的基礎付け手法である明示的トラスト推論(ETI)を提案する。 ETIは、エージェントが2つの確立された心理学的側面、例えば、信頼)と能力(例えば、スキル)に沿ってパートナーの特徴を推測し追跡することを可能にします。 制御された設定(経済ゲーム)においてETIを評価し,より現実的な複雑なマルチエージェント設定(MultiAgentBench)では,CoTベースラインと比較してシナリオやモデルによって3～29%向上する。 ETIプロファイルはエージェントの行動を予測し、情報プロファイルは改善を促進する。 これらの結果は,多様なマルチエージェント設定における協調性向上のための軽量で堅牢なメカニズムとしてETIが注目され,LLMエージェントが可能であることを示す最初の体系的証拠となった。 一 交流史から他人の特質を確実に推察し、 (二)他者の特性に対する構造的認識を活用して調整する。

関連論文リスト

• Taming Actor-Observer Asymmetry in Agents via Dialectical Alignment [59.536125286960186]
  セルフリフレクションと相互監査を可能にするために、専門的な役割を割り当てるマルチエージェントフレームワークがますます採用されている。 アクター・オブザーバ非対称性(Actor-Observer Asymmetric)と呼ばれる認知バイアスを同時に誘発する。 ReTASは、対立する視点を客観的なコンセンサスに合成するためにエージェントを誘導する。
  論文  参考訳（メタデータ） (2026-04-21T15:05:58Z)
• Experience as a Compass: Multi-agent RAG with Evolving Orchestration and Agent Prompts [22.323342919724492]
  HERAは階層的なフレームワークで、マルチエージェントオーケストレーションとロール固有のエージェントプロンプトを共同で進化させる。 HERAは最近のベースラインよりも平均38.69%改善している。 トポロジカル分析により、スパース探索がコンパクトで高ユーティリティなマルチエージェントネットワークを生み出す創発的な自己組織化が明らかになった。
  論文  参考訳（メタデータ） (2026-04-01T13:45:52Z)
• Guided Collaboration in Heterogeneous LLM-Based Multi-Agent Systems via Entropy-Based Understanding Assessment and Experience Retrieval [35.96356869281219]
  本稿では,強弱系における反直観的現象について述べる。 本稿では,各エージェントの認知状態を動的に調整するエントロピーに基づく適応誘導フレームワークを提案する。 我々のアプローチは、不均一なコラボレーションの有効性と安定性を一貫して向上させる。
  論文  参考訳（メタデータ） (2026-02-14T07:10:04Z)
• Enhancing Multi-Agent Collaboration with Attention-Based Actor-Critic Policies [0.0]
  Team-Attention-Actor-Critic (TAAC)は、協調環境におけるマルチエージェントコラボレーションを強化するために設計された学習アルゴリズムである。 シミュレーションサッカー環境におけるTAACをベンチマークアルゴリズムを用いて評価する。
  論文  参考訳（メタデータ） (2025-07-30T15:48:38Z)
• 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)
• DCIR: Dynamic Consistency Intrinsic Reward for Multi-Agent Reinforcement Learning [84.22561239481901]
  本稿では,エージェントの行動が他のエージェントの行動と一致しているかどうかを学習するための新しいアプローチを提案する。 マルチエージェント粒子, Google Research Football および StarCraft II Micromanagement を含む複数の環境における DCIR の評価を行った。
  論文  参考訳（メタデータ） (2023-12-10T06:03:57Z)
• IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint Multi-Agent Trajectory Prediction [73.25645602768158]
  IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。 我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
  論文  参考訳（メタデータ） (2023-03-01T15:16:56Z)

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。