論文の概要: Multi-Agent Systems are Mixtures of Experts: Who Becomes an Influencer?
- arxiv url: http://arxiv.org/abs/2605.25929v1
- Date: Mon, 25 May 2026 15:10:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:20.34797
- Title: Multi-Agent Systems are Mixtures of Experts: Who Becomes an Influencer?
- Title（参考訳）: マルチエージェントシステムはエキスパートの混在である:誰がインフルエンサーになるのか?
- Authors: Franka Bause, Jonas Niederle, Martin Pawelczyk, Rebekka Burkholz,
- Abstract要約: Friedkin-Johnsen(FJ)パラメータが入力依存であることを示し、マルチエージェントの議論を専門家の混在に転換する。
我々は、エージェントの自己評価された信頼、認識された信頼、および他のエージェントの見解との最初の一致という、観測可能なプロキシを通して、どのように影響が確立されるかを分析する。
- 参考スコア（独自算出の注目度）: 31.047683581225087
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The effectiveness of multi-agent LLM deliberation depends not only on the agents' individual predictions, but also on how they communicate and collaborate. We study this mechanism through the lens of Friedkin-Johnsen (FJ) opinion dynamics, a tractable model for analyzing stubbornness, influence, and opinion change in multi-agent systems that captures empirically observed deliberation patterns. We show that the FJ parameters are input-dependent, turning multi-agent deliberation into a mixture of experts. This perspective implies that multi-agent systems can outperform single agents and static ensembles when routing reflects agent competence. Since competence is latent in practice, we analyze how influence is established through observable proxies: agents' self-assessed confidence, their perceived confidence, and initial alignment with other agents' views.
- Abstract（参考訳）: マルチエージェントLLM検討の有効性は、エージェントの個々の予測だけでなく、コミュニケーションやコラボレーションの仕方にも依存する。
このメカニズムをFJ(Friedkin-Johnsen)の意見力学のレンズを用いて研究し、経験的に観察された熟考パターンを捉えるマルチエージェントシステムにおいて、頑健さ、影響、意見変化を解析するためのトラクタブルモデルについて検討した。
我々はFJパラメータが入力依存であることを示し、マルチエージェントの熟考を専門家の混在に転換する。
この観点から、マルチエージェントシステムは、ルーティングがエージェントの能力を反映するときに、単一エージェントや静的アンサンブルよりも優れていることが示唆される。
能力は実際は潜んでいるので、エージェントの自己評価された自信、認識された自信、そして他のエージェントの見解との初期の一致といった、観測可能なプロキシを通して、どのように影響が確立されるかを分析する。
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) - 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) - Can an Individual Manipulate the Collective Decisions of Multi-Agents? [53.01767232004823]
M-Spoilerは、マルチエージェントシステム内のエージェントインタラクションをシミュレートして、対向サンプルを生成するフレームワークである。
M-スポイラーは、敵対的サンプルの最適化を積極的に支援するスタブボーン剤を導入した。
本研究は,マルチエージェントシステムにおける個々のエージェントの知識によって引き起こされるリスクを検証した。
論文 参考訳（メタデータ） (2025-09-20T01:54:20Z) - Understanding Action Effects through Instrumental Empowerment in Multi-Agent Reinforcement Learning [39.74025439412935]
本研究は,政策分布の分析のみでエージェント行動に対する有意義な洞察を抽出できるかどうかを考察する。
知的エージェントが収束器質的価値を追求する傾向にある現象にインスパイアされた我々は、ICV(Intended Cooperation Values)を導入する。
ICVは、その決定(不確実性)と選好の整合性を評価することで、チームメイトの方針に対するエージェントの作用を測定する。
論文 参考訳（メタデータ） (2025-08-21T15:35:59Z) - An Adversary-Resistant Multi-Agent LLM System via Credibility Scoring [8.779871128906787]
信頼性スコアリングに基づく汎用・対向抵抗型マルチエージェントLCMフレームワークを提案する。
私たちのシステムは、チームのアウトプットを集約するときに使用される信頼性スコアを関連付けています。
論文 参考訳（メタデータ） (2025-05-30T05:57:37Z) - Herd Behavior: Investigating Peer Influence in LLM-based Multi-Agent Systems [7.140644659869317]
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におけるピアの影響のダイナミクスについて検討する。
自己自信と他者に対する信頼感のギャップは,エージェントが適合する可能性に大きな影響を及ぼすことを示す。
群集行動の強さを調節する上で,ピア情報提示形式が重要な役割を担っていることがわかった。
論文 参考訳（メタデータ） (2025-05-27T12:12:56Z) - On Feasible Rewards in Multi-Agent Inverse Reinforcement Learning [8.284137254112848]
逆強化学習(IRL)は、専門家の行動を分析してユーティリティを明らかにする。
本稿では,マルチエージェントIRLにおいて実現可能な報酬セットを厳密に分析する。
エントロピー規則化されたゲームを導入し、平衡一意性を確保し、解釈可能性を高める。
論文 参考訳（メタデータ） (2024-11-22T16:31:36Z) - 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) - Learning to Incentivize Other Learning Agents [73.03133692589532]
我々は、学習インセンティブ関数を用いて、RLエージェントに他のエージェントに直接報酬を与える能力を持たせる方法を示す。
このようなエージェントは、一般的なマルコフゲームにおいて、標準のRLと対戦型エージェントを著しく上回っている。
私たちの仕事は、マルチエージェントの未来において共通の善を確実にする道のりに沿って、より多くの機会と課題を指しています。
論文 参考訳（メタデータ） (2020-06-10T20:12:38Z)
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。