論文の概要: Exploring the Topology and Memory of Consensus: How LLM Agents Agree, Fragment, or Settle When Forming Conventions

• arxiv url: http://arxiv.org/abs/2606.04197v1
• Date: Tue, 02 Jun 2026 20:31:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.372725
• Title: Exploring the Topology and Memory of Consensus: How LLM Agents Agree, Fragment, or Settle When Forming Conventions
• Title（参考訳）: コンセンサスのトポロジーと記憶の探求 : コンベンション形成におけるLLMエージェントの凝集・破砕・沈下
• Authors: Aliakbar Mehdizadeh, Martin Hilbert,
• Abstract要約: 2つの設計選択が、メモリの協調効果のサインを反転させる方法でどのように相互作用するかを示す。 固定16エージェントトポロジ上でのネットワークナーミングゲームによる432回のシミュレーションでは,メモリ深度とネットワーク構造が異なる。 解析的に抽出可能な生成機構の探索において,エージェントの選択はFactitious Playによってよく捉えられていることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How much should an LLM agent remember, and how should multi-agent systems be connected when trying to reach consensus? We show these two design choices interact in a way that flips the sign of memory's effect on coordination. Across 432 simulation runs of a networked Naming Game on eight fixed 16-agent topologies, we vary memory depth and network structure. Longer memory slows the time to reach steady state in decentralized networks but accelerates it in centralized ones; the same parameter pushes the system in opposite directions depending on topology. Critically, "faster settling" in centralized networks means locking in to a fragmented plateau more quickly, not reaching system-wide consensus, which can be used to generate diverging opinions. We further document a memory-mediated speed-unity trade-off: centralized networks consistently preserve more competing conventions than decentralized networks, but their settling speed depends sharply on memory. At the agent level, within-network analyses show that high-betweenness bridges suffer a brokerage penalty while agents in locally clustered neighborhoods achieve higher coordination success. Finally, in search of analytically tractable generative mechanisms, we find that agents' choices are well captured by Fictitious Play, indicating belief-based rather than reward-based adaptation. The practical implication: memory depth and communication topology should be co-designed, not optimized in isolation.
• Abstract（参考訳）: LLMエージェントは、コンセンサスに到達しようとするとき、どのくらいの時間とマルチエージェントシステムを接続すべきかを覚えるべきだろうか? これらの2つの設計選択は、メモリの協調効果のサインを反転させる方法で相互作用することを示す。 固定16エージェントトポロジ上でのネットワークナーミングゲームによる432回のシミュレーションでは,メモリ深度とネットワーク構造が異なる。 より長いメモリは、分散化されたネットワークで安定した状態に達するまでの時間を遅くするが、中央集権的なネットワークでそれを加速する。 批判的に、集中型ネットワークの「より高速な設定」は、断片化された台地へのロックインをより早くし、システム全体のコンセンサスに到達せず、様々な意見を生み出すために使用できることを意味している。 集中型ネットワークは、分散化されたネットワークよりも競合するコンベンションを一貫して維持するが、その設定速度はメモリに大きく依存する。 エージェントレベルでは、ネットワーク内の分析では、高い橋がブローカーのペナルティを被る一方、局所的なクラスタ化された地区のエージェントはより高いコーディネーションを達成している。 最後に、分析的に抽出可能な生成機構を探索すると、エージェントの選択は、報酬に基づく適応よりも信念に基づく。 現実的な意味:メモリの深さと通信トポロジは、独立して最適化されてはならない。

関連論文リスト

• Rethinking Memory as Continuously Evolving Connectivity [63.58181883607843]
  既存のメモリ拡張LDMエージェントは、メモリを事前定義された表現と固定された検索パイプラインを備えた静的リポジトリとして扱う。 メモリをヘテロジニアスなグラフとしてモデル化し,そのトポロジを3段階にわたって段階的に洗練する,コネクティビティ進化型メモリフレームワークであるFluxMemを提案する。 LoCoMo、Mind2Web、GAIAなど、根本的に異なる3つのベンチマークにおいて、FluxMemは一貫した最先端のパフォーマンスを実現し、複雑なエージェント環境において強力な適応と一般化を示す。
  論文  参考訳（メタデータ） (2026-05-27T17:35:34Z)
• Bridging the Cognitive Gap: A Unified Memory Paradigm for 6G Agentic AI-RAN [62.429669462281645]
  6Gは、知覚、推論、進化が可能なエージェントAIを受け入れるために、従来の自動化を超越しなければならない。 この記事では、インターフェースバウンドからメモリ中心アーキテクチャへのシフトを想定します。 メッセージパッシングをゼロコピーオブザーバビリティに置き換えることで、AIエージェントがリアルタイムの応答性と長時間のコンテキストの間のギャップを埋めることができます。
  論文  参考訳（メタデータ） (2026-05-11T06:04:10Z)
• Efficient Mixture-of-Agents Serving via Tree-Structured Routing, Adaptive Pruning, and Dependency-Aware Prefill-Decode Overlap [15.352230356342366]
  混合エージェント(MoA)推論は、密度の高いエージェント間通信と低いハードウェア利用に悩まされる。 本稿では,アルゴリズム・システムの共同設計を通じて,これらのボトルネックをターゲットとしたサービス設計を提案する。
  論文  参考訳（メタデータ） (2025-12-19T23:06:58Z)
• Topology Matters: Measuring Memory Leakage in Multi-Agent LLMs [26.288357188171265]
  MAMA(Multi-Agent Memory Attack)は、ネットワーク構造がどのように漏洩を形作るかを測定するフレームワークである。 我々は,攻撃剤出力から回収した地絡PIIの割合として漏洩を定量化する。 結果は、アーキテクチャ上の選択から測定可能なプライバシリスクへの最初の体系的なマッピングを提供する。
  論文  参考訳（メタデータ） (2025-12-04T11:00:49Z)
• Decentralizing AI Memory: SHIMI, a Semantic Hierarchical Memory Index for Scalable Agent Reasoning [0.0]
  本稿では,知識を動的に構造化された概念階層としてモデル化する統一アーキテクチャである志美(Semantic Hierarchical Memory Index)を提案する。 ShiMIは分散化されたエコシステムのために設計されており、エージェントはローカルメモリツリーを保持し、ネットワーク間で非同期に同期する。
  論文  参考訳（メタデータ） (2025-04-08T15:31:00Z)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)
• Bandwidth-efficient distributed neural network architectures with application to body sensor networks [73.02174868813475]
  本稿では,分散ニューラルネットワークアーキテクチャを設計するための概念設計手法について述べる。 提案手法により,損失を最小限に抑えつつ,最大20倍の帯域幅削減が可能となることを示す。 本稿では,ウェアラブル脳-コンピュータインタフェースに焦点をあてるが,他のセンサネットワークアプリケーションにも適用できる。
  論文  参考訳（メタデータ） (2022-10-14T12:35:32Z)
• Decoupled and Memory-Reinforced Networks: Towards Effective Feature Learning for One-Step Person Search [65.51181219410763]
  歩行者検出と識別サブタスクを1つのネットワークで処理するワンステップ方式を開発しました。 現在のワンステップアプローチには2つの大きな課題があります。 本稿では,これらの問題を解決するために,分離メモリ強化ネットワーク(DMRNet)を提案する。
  論文  参考訳（メタデータ） (2021-02-22T06:19:45Z)
• ADOM: Accelerated Decentralized Optimization Method for Time-Varying Networks [124.33353902111939]
  本稿では,時間変動ネットワーク上の滑らかかつ強凸分散最適化のための高速化手法である adom を提案する。 ネットワーク構造のみに依存する一定の要因まで、その通信は加速されたNesterovメソッドのそれと同じです。
  論文  参考訳（メタデータ） (2021-02-18T09:37:20Z)

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。