論文の概要: Fair Agents: Balancing Multistakeholder Alignment in Multi-Agent Personalization Systems
- arxiv url: http://arxiv.org/abs/2605.02379v1
- Date: Mon, 04 May 2026 09:18:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:50.215291
- Title: Fair Agents: Balancing Multistakeholder Alignment in Multi-Agent Personalization Systems
- Title（参考訳）: 公正エージェント:マルチエージェントパーソナライゼーションシステムにおけるマルチステークホルダアライメントのバランス
- Authors: Andrea Forster, Peter Müllner, Denis Helic, Elisabeth Lex, Dominik Kowald,
- Abstract要約: 本稿では,公正なマルチエージェント多人数パーソナライズシステムを設計するための概念的枠組みを提案する。
この枠組みは、(i)利害関係者の目的とLLMエージェントを整合させる手法、(ii)社会的選択理論に基づく集約戦略を統合し、公正な集団決定を形成する。
我々は,観光利用事例を通じて,我々の枠組みを紹介し,教育や医療など他の分野の応用の可能性について論じる。
- 参考スコア（独自算出の注目度）: 3.2672011446202656
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: LLM agents are increasingly used for personalization due to their ability to communicate directly with users in natural language, integrate external knowledge bases, and negotiate with other (possibly human) agents. Especially in multistakeholder AI systems with multiple distinct objectives, LLM agents are used to independently optimize for each stakeholder's goals. Here, stakeholder alignment is essential to identify and map these goals to provide LLM agents with quantifiable objectives. Plus, the way in which the outputs of the LLM agents are aggregated is fundamental to ensuring fair outcomes for all agents and, therefore, stakeholders. In this work, we identify open research challenges and propose a conceptual framework for designing fair multi-agent multistakeholder personalization systems that balance competing stakeholder objectives. Our framework integrates (i) methods to align stakeholder objectives and LLM agents, (ii) aggregation strategies, e.g., based on social choice theory, to form fair collective decisions, and (iii) stakeholder-centric evaluation procedures for both individual and collective agent behavior. We showcase our framework through a tourism use case and discuss possible applications in other domains, such as education and healthcare. Finally, we discuss domain-specific fairness tensions and review datasets for evaluating multistakeholder fairness and multi-agent personalization systems.
- Abstract（参考訳）: LLMエージェントは、自然言語でユーザーと直接コミュニケーションし、外部知識ベースを統合し、他の(おそらくは人間)エージェントと交渉する能力のために、パーソナライズにますます使用される。
特に、複数の異なる目的を持つマルチステークホルダAIシステムにおいて、LLMエージェントは、各ステークホルダの目標に対して独立に最適化するために使用される。
ここでは、LLMエージェントに定量的な目的を提供するために、これらの目標を特定し、マッピングするためにステークホルダアライメントが不可欠である。
さらに、LLMエージェントのアウトプットが集約される方法は、すべてのエージェントや利害関係者に対して公平な結果を保証するための基本となる。
本研究では、オープンな研究課題を特定し、競合する利害関係者の目標のバランスをとる公正なマルチエージェント・マルチステークホルダ・パーソナライゼーション・システムを設計するための概念的枠組みを提案する。
私たちのフレームワークは統合されます
一 株主目標及びLLM代理人の調整方法
(二 社会的選択論に基づく集約戦略、例えば、公正な集団決定を形成すること。)
三 個人及び集団エージェントの行動に関する利害関係者中心の評価手続
我々は,観光利用事例を通じて,我々の枠組みを紹介し,教育や医療など他の分野の応用の可能性について論じる。
最後に、ドメイン固有のフェアネスの緊張と、マルチステークホルダーのフェアネスとマルチエージェントのパーソナライズシステムを評価するためのレビューデータセットについて論じる。
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) - Multi-User Large Language Model Agents [18.001343114312853]
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。
論文 参考訳（メタデータ） (2026-03-19T19:31:53Z) - 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) - Achieving Equilibrium under Utility Heterogeneity: An Agent-Attention Framework for Multi-Agent Multi-Objective Reinforcement Learning [30.138706163658597]
本稿では,エージェント型マルチエージェント多目的強化学習(AA-MAMORL)フレームワークを提案する。
我々のアプローチは、訓練中に、他のエージェントのユーティリティ機能と関連するポリシーに対する共同信条を暗黙的に学習する。
実行中、各エージェントは、BNEを近似するために、ローカル観測とプライベートユーティリティ機能に基づいて、独立してアクションを選択する。
論文 参考訳（メタデータ） (2025-11-12T03:06:21Z) - PartnerMAS: An LLM Hierarchical Multi-Agent Framework for Business Partner Selection on High-Dimensional Features [23.788838112113257]
評価を3層に分割する階層型マルチエージェントフレームワークを提案する。戦略を設計するプランナーエージェント,役割特異的評価を行う専門エージェント,アウトプットを統合するスーパーバイザエージェントである。
140のケースで、PartnerMASはシングルエージェントと議論ベースのマルチエージェントベースラインを一貫して上回り、最大10-15%のマッチレートを達成する。
論文 参考訳（メタデータ） (2025-09-28T19:39:03Z) - AlphaAgents: Large Language Model based Multi-Agents for Equity Portfolio Constructions [1.1957417530954946]
複雑な課題を解決するための,有望なアプローチとして,マルチエージェントコラボレーションが登場している。
本研究は、株式調査・ポートフォリオ管理における株式選択を支援するために、ロールベースのマルチエージェントシステムの適用について検討する。
論文 参考訳（メタデータ） (2025-08-15T01:49:56Z) - Towards Agentic Recommender Systems in the Era of Multimodal Large Language Models [75.4890331763196]
大規模言語モデル(LLM)の最近のブレークスルーは、エージェントAIシステムの出現につながっている。
LLMベースのAgentic RS(LLM-ARS)は、よりインタラクティブで、コンテキストを認識し、プロアクティブなレコメンデーションを提供する。
論文 参考訳（メタデータ） (2025-03-20T22:37:15Z) - MultiAgentBench: Evaluating the Collaboration and Competition of LLM agents [59.825725526176655]
大規模言語モデル(LLM)は、自律的なエージェントとして顕著な能力を示している。
既存のベンチマークでは、単一エージェントタスクにフォーカスするか、狭いドメインに限定されており、マルチエージェントのコーディネーションと競合のダイナミクスを捉えていない。
多様な対話シナリオにまたがってLLMベースのマルチエージェントシステムを評価するためのベンチマークであるMultiAgentBenchを紹介する。
論文 参考訳（メタデータ） (2025-03-03T05:18:50Z) - AgentBoard: An Analytical Evaluation Board of Multi-turn LLM Agents [74.16170899755281]
本稿では,LLMエージェントの分析的評価に適したオープンソース評価フレームワークであるAgentBoardを紹介する。
AgentBoardは、インクリメンタルな進歩と包括的な評価ツールキットをキャプチャする、きめ細かい進捗率のメトリクスを提供する。
これはLLMエージェントの能力と限界に光を当てるだけでなく、その性能の解釈可能性も最前線に広める。
論文 参考訳（メタデータ） (2024-01-24T01:51:00Z)
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。