論文の概要: Conflict-Resilient Multi-Agent Reasoning via Signed Graph Modeling
- arxiv url: http://arxiv.org/abs/2605.19418v1
- Date: Tue, 19 May 2026 06:11:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:09.162131
- Title: Conflict-Resilient Multi-Agent Reasoning via Signed Graph Modeling
- Title（参考訳）: 符号付きグラフモデリングによる競合回復型マルチエージェント推論
- Authors: Longgang He, Longzhu He, Daojing He, Chaozhuo Li,
- Abstract要約: LLMベースのマルチエージェントシステム(MAS)は、強力な推論と意思決定能力を示している。
SIGMA(Signed Graph-informed Multi-Agent reasoning framework)を紹介する。
SIGMAは最先端のベースラインを一貫して上回ることを示す。
- 参考スコア（独自算出の注目度）: 22.248543228906115
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: LLM-based multi-agent systems (MAS) have demonstrated strong reasoning and decision-making capabilities that consistently surpass those of single LLM agents. However, their performance often suffers from naive aggregation mechanisms that assume uniformly cooperative interactions. Upon close inspection, we observe that existing graph-based MAS frameworks (1) propagate errors when conflicting signals arise without control, and (2) lack explicit modeling of conflicting inter-agent relations as well as structural awareness, failing to identify reliable interaction patterns. To bridge this gap, we introduce SIGMA, a novel SIgned Graph-informed Multi-Agent reasoning framework that explicitly captures trust, conflict, and neutral relations among agents via a signed relational graph. Specifically, given a query, SIGMA first selects a set of relevant and diverse agents, then constructs a structured signed interaction graph with confidence-weighted edges. Reasoning proceeds through conflict-aware signed message passing, which reinforces information from trustworthy agents while suppressing conflicting signals, and terminates with a structure- and conflict-aware weighted aggregation to yield globally consistent and conflict-resilient predictions. Extensive experiments on six benchmark datasets, across multiple LLM backbones and diverse multi-agent configurations, demonstrate that SIGMA consistently outperforms state-of-the-art baselines, achieving notable gains in both accuracy and conflict-resilient performance.
- Abstract（参考訳）: LLMベースのマルチエージェントシステム(MAS)は、単一のLSMエージェントを一貫して上回る強力な推論と意思決定能力を示している。
しかしながら、それらの性能は、一様に協調的な相互作用を仮定する単純な凝集機構に悩まされることが多い。
その結果,既存のグラフベースのMASフレームワークは,(1)競合する信号が制御されずに発生するエラーを伝播し,(2)対立するエージェント間の関係や構造的認識の明示的なモデリングが欠如しており,信頼性のある相互作用パターンの特定に失敗していることがわかった。
このギャップを埋めるために、サイン付きリレーショナルグラフを通じてエージェント間の信頼、対立、中立性を明示的に捉える新しいSIgned Graph-informed Multi-Agent推論フレームワークであるSIGMAを紹介する。
具体的には、クエリが与えられた場合、SIGMAはまず関連性のある多様なエージェントのセットを選択し、次に信頼度重み付きエッジを持つ構造化された署名された相互作用グラフを構築する。
推論は、競合するシグナルを抑えながら信頼できるエージェントからの情報を補強する、コンフリクト対応の署名されたメッセージパッシングを通じて進行し、構造対応およびコンフリクト対応の重み付けアグリゲーションで終了し、グローバルに一貫性があり、コンフリクト耐性のある予測をもたらす。
複数のLLMバックボーンと多様なマルチエージェント構成にわたる6つのベンチマークデータセットに関する大規模な実験は、SIGMAが一貫して最先端のベースラインを上回り、精度と耐障害性の両方で顕著なパフォーマンスを達成したことを実証している。
関連論文リスト
- VerifyMAS: Hypothesis Verification for Failure Attribution in LLM Multi-Agent Systems [79.51005192758262]
大規模言語モデル駆動型マルチエージェントシステムは複雑なタスクで優れている。
しかし、信頼性の低いエージェントは、システムレベルの信頼性にとって重要なボトルネックである。
本稿では,エージェント故障の帰属に関する仮説検証フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-17T14:09:35Z) - Graph-theoretic Agreement Framework for Multi-agent LLM Systems [0.228438857884398]
本稿では,署名された対話ネットワークにおけるコンセンサスを分析するための厳密なグラフ理論の枠組みを確立する。
我々は、不均衡な批判サイクルが論理的フラストレーションと持続的推論振動をいかに生み出すかを示す。
階数1のスペクトルエッジ摂動は、固有値を安定左半平面にシフトさせることで、決定論的に対称性を損なうことを証明した。
論文 参考訳（メタデータ） (2026-02-23T02:30:48Z) - Diagnosing Knowledge Conflict in Multimodal Long-Chain Reasoning [78.86309644343295]
長い連鎖推論におけるマルチモーダルな大言語モデル(MLLM)は、異なる知識源が矛盾する信号を提供するときにしばしば失敗する。
我々は、これらの失敗を知識の衝突という統一概念の下で形式化し、入力レベルの客観的衝突とプロセスレベルの効果的な衝突を区別する。
本研究は,知識衝突下でのマルチモーダル推論のメカニズムを考察し,長CoT障害の診断と制御を可能にする。
論文 参考訳（メタデータ） (2026-02-16T07:10:44Z) - Multi-Agent Debate: A Unified Agentic Framework for Tabular Anomaly Detection [7.807411603618987]
マルチエージェント議論フレームワーク(MAD)は、不一致を第一級信号として扱う。
MADは、大言語モデル(LLM)ベースの批評家によって強化された正規化された異常スコア、信頼性、構造化された証拠を生成する。
コンフォメーションキャリブレーションが議論されたスコアをラップして、交換可能性の下で偽陽性を制御する方法を示す。
論文 参考訳（メタデータ） (2026-02-15T17:44:32Z) - Explainable and Fine-Grained Safeguarding of LLM Multi-Agent Systems via Bi-Level Graph Anomaly Detection [76.91230292971115]
大規模言語モデル (LLM) に基づくマルチエージェントシステム (MAS) は複雑なタスクを解く上で強力な能力を示している。
XG-Guardは、MAS内の悪意のあるエージェントを検出するための、説明可能な、きめ細かい保護フレームワークである。
論文 参考訳（メタデータ） (2025-12-21T13:46:36Z) - Metacognitive Self-Correction for Multi-Agent System via Prototype-Guided Next-Execution Reconstruction [58.51530390018909]
大規模言語モデルに基づくマルチエージェントシステムは、協調的な問題解決において優れているが、エラーのカスケードには脆弱である。
我々は,MASにリアルタイム,教師なし,ステップレベルの誤り検出と自己補正を付与するメタ認知フレームワークMASCを提案する。
論文 参考訳（メタデータ） (2025-10-16T05:35:37Z) - AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。
エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
論文 参考訳（メタデータ） (2025-10-06T23:20:49Z) - MA-RAG: Multi-Agent Retrieval-Augmented Generation via Collaborative Chain-of-Thought Reasoning [36.3918410061572]
MA-RAGは、複雑な情報探索タスクにおける固有の曖昧さと推論の問題に対処する。
エンドツーエンドの微調整や分離されたコンポーネント拡張に依存する従来のRAGメソッドとは異なり、MA-RAGは特別なAIエージェントの協調的なセットを編成する。
本結果は,検索強化システムにおける協調的,モジュール型推論の有効性を浮き彫りにしたものである。
論文 参考訳（メタデータ） (2025-05-26T15:05:18Z) - GUARDIAN: Safeguarding LLM Multi-Agent Collaborations with Temporal Graph Modeling [5.798273384241793]
大規模言語モデル (LLM) は、複雑な対話や多ターン対話を行えるインテリジェントエージェントの開発を可能にする。
GUARDIANは、GUARDing Intelligent Agent ColllaboratioNsにおいて、複数の安全上の懸念を検出し緩和する方法である。
論文 参考訳（メタデータ） (2025-05-25T17:15:55Z) - A Cooperative Multi-Agent Framework for Zero-Shot Named Entity Recognition [71.61103962200666]
ゼロショット名付きエンティティ認識(NER)は、注釈のないテキストコーパスからエンティティ認識システムを開発することを目的としている。
最近の研究は、特別なプロンプトテンプレートを作成することで、ゼロショットNERに大規模な言語モデル(LLM)を適用している。
ゼロショットNERのための新しいフレームワークである協調型マルチエージェントシステム(CMAS)を紹介する。
論文 参考訳（メタデータ） (2025-02-25T23:30:43Z)
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。