論文の概要: Beyond Consensus: Trace-Level Synthesis in Mixture of Agents

• arxiv url: http://arxiv.org/abs/2605.29116v1
• Date: Wed, 27 May 2026 21:24:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.464697
• Title: Beyond Consensus: Trace-Level Synthesis in Mixture of Agents
• Title（参考訳）: Beyond Consensus:Trace-Level Synthesis in Mixture of Agents (特集:バイオサイバネティックスとバイオサイバネティックス)
• Authors: Shreyas Fadnavis, Praitayini Kanakaraj, Felix Wyss,
• Abstract要約: 完全推論トレースを読み取るアグリゲータは,エージェントが全一致で同意した場合でも,正しい解を回復することを示す。 摂動によって引き起こされるトレース変動を持つ単一モデルは、構造的推論、PhDレベルの科学、競合数学、競争的プログラミングにまたがる異種モデルプールよりも優れる。
• 参考スコア（独自算出の注目度）: 1.0195618602298682
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: When multiple LLM agents solve the same problem, standard practice compresses each agent's reasoning into a majority vote or layered synthesis, treating agreement as the finish line. We show this is unnecessarily lossy: an LLM aggregator that reads complete reasoning traces recovers correct solutions even when agents unanimously agree, with beneficial corrections consistently outweighing harmful ones -- the \emph{aggregation paradox}. Majority voting has a ceiling that perturbation diversity does not raise (error correlations are identical); the aggregator's gain comes from trace-level complementarity, assembling correct intermediate steps from minority chains that voting discards. These findings motivate Self-Consistent Mixture of Agents which generates trace diversity through semantic-preserving input perturbations, safeguards the majority via anchored refinement with provable non-degradation guarantees, and always synthesizes -- never gates on consensus. A single model with perturbation-induced trace variation outperforms heterogeneous model pools across structured reasoning, PhD-level science, competition mathematics, and competitive programming. The unit of aggregation should be the reasoning trace, not the answer.
• Abstract（参考訳）: 複数のLDMエージェントが同じ問題を解くと、標準的慣行は各エージェントの推論を多数決または階層化された合成に圧縮し、合意をフィニッシュラインとして扱う。 完全な推論トレースを読み取るLCMアグリゲータは、エージェントが全一致で同意しても正しい解を回復する。 多数決投票は、摂動の多様性が上昇しない天井(エラー相関は同一である)を持つ。 これらの発見は、セマンティック保存された入力摂動を通じてトレースの多様性を生成するセルフ一貫性混合エージェントを動機付け、証明可能な非劣化保証で固定された洗練を通じて大多数を保護し、常に合成する。 摂動によって引き起こされるトレース変動を持つ単一モデルは、構造的推論、PhDレベルの科学、競合数学、競争的プログラミングにまたがる異種モデルプールよりも優れる。 集約の単位は、答えではなく、推論トレースであるべきです。

関連論文リスト

• LC-ERD: Mining Latent Logic for Self-Evolving Reasoning via Consistency-Regulated Reward Decomposition [55.572260012037084]
  本稿では, LC-ERD (Logic-Consistent Endogenous Reward Decomposition) を紹介する。 モデルの潜在論理エキスパートズ(Latent Logic Expertise)からのコンセンサスを集約することで、変分論理ポテンシャルを導出する。 LC-ERDは、論理の一貫性と正確性の間のトレードオフを明らかにする、堅牢な自己進化パスを提供する。
  論文  参考訳（メタデータ） (2026-05-19T07:27:50Z)
• \mathsf{VISTA}: Decentralized Machine Learning in Adversary Dominated Environments [21.69919643934826]
  分散機械学習は、評価などのアウトソーシング計算を信頼できないワーカノードに頼っていることが多い。 本稿では, 相互に整合性がある場合にのみ, 報告を受理し, 報奨するインセンティブ指向の枠組みを通じて, 敵に支配される設定について検討する。 本稿では,最適化履歴を用いた適応アルゴリズムであるmathsfVISTAを提案する。
  論文  参考訳（メタデータ） (2026-05-08T15:07:15Z)
• The Consensus Trap: Rescuing Multi-Agent LLMs from Adversarial Majorities via Token-Level Collaboration [32.17285446393425]
  崩壊したエージェントが局所的な多数派を形成すると、応答レベルアグリゲーションが崩壊する。 本稿では, エージェントが共有自己回帰文脈内で連続的に生成をインターリーブするToken-Level Round-Robin(RR)コラボレーションを提案する。 我々は、RRがこの臨界しきい値を超え、堅牢な精度を維持していることを証明した。
  論文  参考訳（メタデータ） (2026-04-18T20:31:37Z)
• Heterogeneous Consensus-Progressive Reasoning for Efficient Multi-Agent Debate [58.675713546748305]
  マルチエージェント・ディベート(英: Multi-Agent Debate、MAD)は、複数のエージェントが推論および反復的批判サイクルの生成を通じて、反復的にソリューションを洗練する協調的なフレームワークである。 本研究は,HCP-MADのための不均一なコンセンサス・プログレッシブ推論を導入する。 HCP-MADは3段階のプログレッシブ推論機構を用いて、様々なタスク複雑度にまたがる適応的なソリューションを開発する。
  論文  参考訳（メタデータ） (2026-04-03T06:58:59Z)
• Test-Time Scaling with Diffusion Language Models via Reward-Guided Stitching [66.39914384073145]
  本稿では,安価な拡散サンプリング推論をステップレベル候補の再利用プールに変換する自己整合性フレームワークを提案する。 ステップレベルの再結合は、難しい問題に対して最も有益であることがわかった。 トレーニング不要のフレームワークは、6つの数学およびコーディングタスクの平均精度を最大2倍改善します。
  論文  参考訳（メタデータ） (2026-02-26T11:08:39Z)
• 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)
• A Single Revision Step Improves Token-Efficient LLM Reasoning [3.344806691289323]
  大規模言語モデルのためのトレーニングフリーで推論のみのフレームワークであるPacket-Conditioned Revision (PACER)を紹介した。 PACERは、推論トレースを使用して、構造化された調整ステップを通じて結論を修正できる。 競争力のある数学のベンチマークでは、PACERは256サンプルの多数決の正確さと一致または超える。
  論文  参考訳（メタデータ） (2026-02-02T21:28:42Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• When Disagreements Elicit Robustness: Investigating Self-Repair Capabilities under LLM Multi-Agent Disagreements [56.29265568399648]
  我々は、不一致が早期のコンセンサスを防ぎ、探索されたソリューション空間を拡張することを主張する。 タスククリティカルなステップの相違は、ソリューションパスのトポロジによってコラボレーションを損なう可能性がある。
  論文  参考訳（メタデータ） (2025-02-21T02:24:43Z)

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。