論文の概要: Examining Agents' Bias Amplification versus Suppression in Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2605.28098v1
• Date: Wed, 27 May 2026 07:53:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.858999
• Title: Examining Agents' Bias Amplification versus Suppression in Multi-Agent Systems
• Title（参考訳）: 多エージェントシステムにおけるエージェントのバイアス増幅と抑制
• Authors: Zejian Eric Wu, Zhongyi Jiang, Yuan Zhuang, Paul Jen-Hwa Hu,
• Abstract要約: バイアスのあるエージェントがシステム全体の公平性に大きく影響することを示す。 エージェントが一様にバイアスにさらされると、システム全体のバイアスは増加し、個々のエージェントのバイアスの加算和を超える。
• 参考スコア（独自算出の注目度）: 5.210390383114933
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-agent systems are increasingly deployed to support various tasks where agents interact to achieve individual and collective objectives. Although these systems can enhance task performance and decision-making, fairness preservation through bias reduction remains challenging. This study examines how agent-level biases shift and impact system-wide fairness. We use prompts to expose individual agents to group-favoring bias, then assess downstream impacts at the system level. To quantify the impact, we propose Favor Bias Strength (FBS), a zero-centered metric that decomposes bias alteration between favored-group uplift and disfavored-group suppression. Using multiple agent designs, benchmarks, and up-to-date large language models, we show that agents endowed with bias can substantially affect system-wide fairness. Interestingly, when agents are exposed to bias uniformly, the system-wide bias elevates, even exceeding the additive sum of the individual agents' biases. The empirical evidence underscores the criticality of fairness in multi-agent systems, which warrants further analyses and empirical tests.
• Abstract（参考訳）: エージェントが個人的および集団的目的を達成するために相互作用する様々なタスクをサポートするために、マルチエージェントシステムはますます展開されている。 これらのシステムはタスク性能と意思決定を向上させることができるが、バイアス低減による公平な保存は依然として困難である。 本研究では,エージェントレベルのバイアスがシステム全体の公平性に与える影響について検討する。 個々のエージェントをグループ指向バイアスに公開し、システムレベルで下流への影響を評価するために、プロンプトを使用します。 影響を定量化するために,好ましくない群アップリフトと好ましくない群抑制の偏差を分解するゼロ中心計量であるFBSを提案する。 複数のエージェント設計、ベンチマーク、最新の大規模言語モデルを用いて、バイアスが与えられたエージェントがシステム全体の公平性に大きく影響することを示した。 興味深いことに、エージェントが一様にバイアスにさらされると、システム全体のバイアスは増加し、個々のエージェントのバイアスの加算和を超える。 経験的証拠は、多エージェントシステムにおける公正性の臨界性を強調し、さらなる分析と経験的試験を保証している。

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)
• The Unfairness of Multifactorial Bias in Recommendation [68.35079031029616]
  人気バイアスと肯定バイアスは推薦システムにおいて顕著なバイアス源である。 本研究では,多因子バイアスが項目側の公平性にどのように影響するかを検討する。 我々は、多因子バイアスを軽減するために、パーセンタイルに基づく評価変換を前処理戦略として適用する。
  論文  参考訳（メタデータ） (2026-01-19T08:37:43Z)
• Belief in Authority: Impact of Authority in Multi-Agent Evaluation Framework [3.6812160259693094]
  本稿では,ChatEvalを用いたフリーフォームマルチエージェント評価において,役割に基づく権限バイアスを初めて体系的に分析する。 フランス語とラヴェンの権力に基づく理論を応用し、権威的な役割を正当性、参照性、専門家のタイプに分類する。 GPT-4oとDeepSeek R1の実験により、エキスパートと参照パワーの役割はレジデントパワーの役割よりも強い影響力を持つことが明らかになった。
  論文  参考訳（メタデータ） (2026-01-08T10:13:56Z)
• The Social Cost of Intelligence: Emergence, Propagation, and Amplification of Stereotypical Bias in Multi-Agent Systems [20.359327253718718]
  大規模言語モデル(LLMs)におけるバイアスは、社会集団全体でのステレオタイピングと不公平な扱いにおいて、引き続き永続的な課題である。 内部特殊化, 基礎となるLCM, エージェント間通信プロトコルが, バイアス堅牢性, 伝搬, 増幅に与える影響について検討した。 以上の結果から,マルチエージェントLPMシステムにおける公平性とレジリエンスを規定する重要な要因が示唆された。
  論文  参考訳（メタデータ） (2025-10-13T02:56:42Z)
• RoboView-Bias: Benchmarking Visual Bias in Embodied Agents for Robotic Manipulation [67.38036090822982]
  ロボット操作における視覚バイアスの定量化を目的とした,最初のベンチマークであるRoboView-Biasを提案する。 我々は、個々の視覚的要因とその相互作用によって引き起こされるバイアスの堅牢な測定を可能にする2,127のタスクインスタンスを作成します。 本研究は,視覚バイアスの系統的解析が,安全で信頼性の高い汎用的なエンボディエージェントの開発に必須であることを示す。
  論文  参考訳（メタデータ） (2025-09-26T13:53:25Z)
• 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)
• Judging with Many Minds: Do More Perspectives Mean Less Prejudice? On Bias Amplifications and Resistance in Multi-Agent Based LLM-as-Judge [70.89799989428367]
  我々は、位置バイアス、冗長性バイアス、チェーンオブ思考バイアス、バンドワゴンバイアスの4つの多様なバイアスタイプを体系的に分析する。 広く採用されているマルチエージェントLLM-as-JudgeフレームワークであるMulti-Agent-DebateとLLM-as-Meta-Judgeでこれらのバイアスを評価する。
  論文  参考訳（メタデータ） (2025-05-26T03:56:41Z)

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。