論文の概要: Investigating Multi-Agent Deliberation in Law

• arxiv url: http://arxiv.org/abs/2606.30906v1
• Date: Mon, 29 Jun 2026 20:56:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.001198
• Title: Investigating Multi-Agent Deliberation in Law
• Title（参考訳）: 法律における多国間協議の考察
• Abstract要約: 裁判所の手続きと法的議論に触発された2つの新しいマルチエージェントフレームワークを紹介する。 法的なベンチマークと非法的なベンチマークによる実験により,マルチエージェントフレームワークがベースラインの大規模言語モデルに匹敵する全体的なパフォーマンスを実現していることが明らかになった。 我々の研究は、法的領域におけるAIの有望な方向性としてマルチエージェントシステムを位置づけ、同時に、法律に着想を得たマルチエージェントによる検討の可能性を実証している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial Intelligence is increasingly applied to the field of law, and has the potential to increase access to justice. One particular movement that is gaining traction is that of agentic AI, wherein AI agents, based on Large Language Models (LLMs) can take autonomous actions. In particular, multi-agent approaches in the legal domain remain largely unexplored. In this paper, we investigate multi-agent deliberation methods for legal reasoning tasks using LLMs. We explore multi-agent deliberation (MAD) and introduce two novel multi-agent frameworks inspired by courtroom procedures and legal argumentation. Our experiments on both legal and non-legal benchmarks reveal that multi-agent frameworks achieve comparable overall performance to baseline large language models, but produce significantly distinct answers. Notably, these approaches can successfully solve cases that the baseline fails to address, and vice versa. We conduct a qualitative evaluation and highlight scenarios where multi-agent frameworks outperform monolithic approaches. For example, multi-agent approaches appear better suited for answering questions that require critical thinking from multiple perspectives. Our work positions multi-agent systems as a promising direction for AI in the legal domain, while demonstrating the potential of law-inspired multi-agent approaches for deliberation.
• Abstract（参考訳）: 人工知能は法分野にますます適用され、司法へのアクセスを増やす可能性がある。 AIエージェントは、LLM(Large Language Models)に基づくAIエージェントが自律的な行動を取ることができる。 特に、法域におけるマルチエージェントアプローチは、ほとんど探索されていない。 本稿では,LLMを用いた法的推論タスクに対するマルチエージェント検討手法について検討する。 我々は,マルチエージェント検討(MAD)について検討し,法廷手続きと法的議論に触発された2つの新しいマルチエージェントフレームワークを紹介する。 法的なベンチマークと非法的なベンチマークによる実験により、マルチエージェントフレームワークはベースラインの大規模言語モデルに匹敵する全体的な性能を達成できたが、明らかに異なる回答が得られた。 特に、これらのアプローチは、ベースラインが対応できないケースをうまく解決することができ、その逆も可能である。 我々は定性的な評価を行い、マルチエージェントフレームワークがモノリシックなアプローチより優れているシナリオを強調します。 例えば、マルチエージェントアプローチは、複数の視点から批判的な思考を必要とする質問に答えるのに適しているように見える。 我々の研究は、法的領域におけるAIの有望な方向性としてマルチエージェントシステムを位置づけ、同時に、法律に着想を得たマルチエージェントによる検討の可能性を実証している。

関連論文リスト

• L-MAD: A Systematic Evaluation of Multi-Agent Debate Structures in Legal Reasoning [14.460920090407017]
  本稿では,L-MAD(Lopal Multi-Agent Debate)フレームワークを導入する。 異なる専門家のペルソナを複数のエージェントに割り当てることで、L-MADは強力なシングルエージェントベースラインを最大8%改善する。
  論文  参考訳（メタデータ） (2026-07-10T05:08:02Z)
• MARTI-MARS$^2$: Scaling Multi-Agent Self-Search via Reinforcement Learning for Code Generation [64.2621682259008]
  セルフサーチスケーリングによるマルチエージェント強化トレーニングと推論フレームワーク(MARTI-MARS2) 本稿では,MARTI-MARS2を用いたマルチエージェント強化学習・推論フレームワークを提案する。 我々は、MARTI-MARS2が77.7%を獲得し、GPT-5.1のような強力なベースラインを、挑戦的なコード生成ベンチマークで上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-08T07:28:44Z)
• AgentArk: Distilling Multi-Agent Intelligence into a Single LLM Agent [57.10083973844841]
  AgentArkは、マルチエージェントダイナミクスを単一のモデルの重みに蒸留する新しいフレームワークである。 各種モデル,タスク,スケーリング,シナリオの3つの階層的蒸留戦略について検討する。 シミュレーションからトレーニングへ計算の負担をシフトさせることで、蒸留されたモデルは、複数のエージェントの強い推論と自己補正性能を示しながら、一つのエージェントの効率を保ちます。
  論文  参考訳（メタデータ） (2026-02-03T19:18:28Z)
• OPTAGENT: Optimizing Multi-Agent LLM Interactions Through Verbal Reinforcement Learning for Enhanced Reasoning [14.105640933123325]
  大規模言語モデル(LLM)は、数学的および科学的タスクにおいて顕著な推論能力を示している。 複雑な推論を強化するため、LLMエージェントの集合的知性を活用するためにマルチエージェントシステムが提案されている。 複数エージェントの協調構造を動的に構築・洗練する多エージェント言語強化学習アルゴリズムである$ours$を提案する。
  論文  参考訳（メタデータ） (2025-10-20T19:07:51Z)
• 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)
• LegalAgentBench: Evaluating LLM Agents in Legal Domain [53.70993264644004]
  LegalAgentBenchは、中国の法律領域でLLMエージェントを評価するために特別に設計されたベンチマークである。 LegalAgentBenchには、現実世界の法的シナリオから17のコーパスが含まれており、外部知識と対話するための37のツールを提供している。
  論文  参考訳（メタデータ） (2024-12-23T04:02:46Z)
• Large Multimodal Agents: A Survey [78.81459893884737]
  大規模言語モデル(LLM)は、テキストベースのAIエージェントのパワーで優れたパフォーマンスを実現している。 LLMを利用したAIエージェントをマルチモーダルドメインに拡張することに焦点を当てた、新たな研究トレンドがある。 本総説は, この急速に発展する分野において, 今後の研究に有用な洞察とガイドラインを提供することを目的としている。
  論文  参考訳（メタデータ） (2024-02-23T06:04:23Z)
• The Rise and Potential of Large Language Model Based Agents: A Survey [91.71061158000953]
  大規模言語モデル(LLM)は、人工知能(AGI)の潜在的な火花と見なされる まず、エージェントの概念を哲学的起源からAI開発まで追跡し、LLMがエージェントに適した基盤である理由を説明します。 単一エージェントシナリオ,マルチエージェントシナリオ,ヒューマンエージェント協調の3つの側面において,LLMベースのエージェントの広範な応用について検討する。
  論文  参考訳（メタデータ） (2023-09-14T17:12:03Z)
• Toward Policy Explanations for Multi-Agent Reinforcement Learning [18.33682005623418]
  MARLのための2種類のポリシー記述を生成するための新しい手法を提案する。 3つのMARL領域の実験結果から,提案手法のスケーラビリティが実証された。 ユーザスタディでは、生成された説明がユーザパフォーマンスを著しく改善し、ユーザ満足度などの指標に対する主観的評価が向上することを示した。
  論文  参考訳（メタデータ） (2022-04-26T20:07:08Z)

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。