論文の概要: Diverse Evidence, Better Forecasts: Multi-Agent Deliberation Under Information Asymmetry

• arxiv url: http://arxiv.org/abs/2607.01661v1
• Date: Thu, 02 Jul 2026 03:41:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.653304
• Title: Diverse Evidence, Better Forecasts: Multi-Agent Deliberation Under Information Asymmetry
• Title（参考訳）: 多様なエビデンス、より良い予測:情報非対称性下でのマルチエージェント検討
• Abstract要約: すべてのエージェントが同一の証拠を与えられると、議論は真の信念の修正ではなく、隠れ家へと崩壊する。 本稿では,関連性を考慮したエビデンス・ルーティング,合理性に基づく反復的熟考,信頼度重み付けを組み合わせた枠組みを提案する。 375のバイナリ予測質問のベンチマークであるPolyGymでは、InfoDelphiが最強のシングルエージェントとマルチエージェントベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 1.8983854039418835
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent systems are increasingly used for forecasting future events, as deliberation among multiple LLMs is believed to improve reasoning and calibration. Yet existing approaches overlook a critical design choice: what information each agent receives. When all agents are given identical evidence, deliberation collapses into herding rather than genuine belief revision, leaving multi-agent systems little better than a single agent. We identify this as a fundamental gap and propose designed information asymmetry to close it: by partitioning evidence into shared public and disjoint private subsets, each agent holds exclusive knowledge that can only reach others through deliberation. We theoretically show that this decomposition reduces inter-agent error correlation, and instantiate it in InfoDelphi, a framework combining relevance-aware evidence routing, rationale-based iterative deliberation, and confidence-weighted aggregation. On PolyGym, a benchmark of 375 binary forecasting questions derived from real-world prediction markets, InfoDelphi outperforms the strongest single-agent and multi-agent baselines by 12--18% in Brier score and 4--8 percentage points in accuracy. More detailed experiments confirm that removing information asymmetry eliminates most deliberation gains, establishing diversity of input as the key enabler of effective multi-agent reasoning.
• Abstract（参考訳）: 複数のLCM間の議論は推論と校正を改善すると考えられているため、将来的な事象の予測にマルチエージェントシステムの利用が増えている。 しかし、既存のアプローチでは、各エージェントがどのような情報を受け取るかという、重要な設計上の選択を見落としている。 すべてのエージェントが同一の証拠を与えられると、議論は真の信念の修正というよりは群れに崩壊し、マルチエージェントシステムは単一のエージェントよりもほとんど良くなってしまう。 証拠を共有された公開サブセットと非結合のプライベートサブセットに分割することで、各エージェントは、熟考を通じて他者にしか届かない排他的な知識を保持する。 理論的には、この分解はエージェント間の誤差相関を減少させ、関連性を考慮したエビデンスルーティング、合理性に基づく反復的検討、信頼度重み付けを組み合わせたフレームワークであるInfoDelphiでインスタンス化する。 PolyGymは、現実世界の予測市場から導き出された375のバイナリ予測質問のベンチマークで、InfoDelphiは、Brierスコアの12～18%、精度の4～8ポイントで最強のシングルエージェントとマルチエージェントのベースラインを上回っている。 より詳細な実験により、情報非対称性の除去がほとんどの熟考の利得を排除し、効果的なマルチエージェント推論の鍵となる入力の多様性を確立することが確認された。

関連論文リスト

• EMS: Multi-Agent Voting via Efficient Majority-then-Stopping [62.95000188335248]
  推論効率を向上させるために,EMS(Efficient Majority-then-Stopping)を提案する。 EMSはタスク認識の信頼性に基づいてエージェントを優先順位付けし、大多数が達成された時点で推論パイプラインを終了する。 EMSは、呼び出しされたエージェントの平均数を32%減少させる。
  論文  参考訳（メタデータ） (2026-04-03T08:29:50Z)
• Active Asymmetric Multi-Agent Multimodal Learning under Uncertainty [15.933557806106071]
  不確実性下でのアクティブ非対称マルチエージェントマルチモーダル学習(A2MAML)を提案する。 A2MAMLは、不確実性を認識し、モダリティレベルのコラボレーションのための原則化されたアプローチである。 共同事故検出のための接続された自律走行シナリオの実験は、A2MAMLがシングルエージェントとコラボレーティブベースラインの両方を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-02-04T17:01:31Z)
• PAMAS: Self-Adaptive Multi-Agent System with Perspective Aggregation for Misinformation Detection [29.17300778511738]
  ソーシャルメディア上の誤報は、情報の信頼性に重大な脅威をもたらす。 大規模言語モデルを用いたマルチエージェントシステム(MAS)は、この脅威に対処するための有望なパラダイムを提供する。 PAMASは、異常な手がかりを浮き彫りにし、情報の溺れを和らげるための、視点アグリゲーションを備えたフレームワークである。
  論文  参考訳（メタデータ） (2026-02-03T06:18:39Z)
• Collaborative Multi-Agent Test-Time Reinforcement Learning for Reasoning [112.16686518063456]
  textbfMulti-Agent Test-Time Reinforcement Learning (MATTRL)を導入する。 MATTRLは、マルチターンの議論、テストタイムの経験の検索と統合、最終的な意思決定のコンセンサスに到達するための、複数の専門家のチームを形成する。 MATTRLは、医学、数学、教育の挑戦的なベンチマーク全体にわたって、マルチエージェントベースラインで平均3.67%、同等のシングルエージェントベースラインで平均8.67%の精度を向上する。
  論文  参考訳（メタデータ） (2026-01-14T17:57:43Z)
• Internalizing Self-Consistency in Language Models: Multi-Agent Consensus Alignment [22.305033366660187]
  言語モデル(LM)は矛盾する推論子であり、しばしば同じプロンプトに対する矛盾した応答を生成する。 適切に整合した推論モデルの本質的な性質として自己整合性を定式化し、MACA(Multi-Agent Consensus Alignment)を導入する。 MACAは、エージェントが自分自身をより決定的かつ簡潔に教えることを可能にし、外部の監督なしにマルチエージェント設定におけるピアインサイトをより活用する。
  論文  参考訳（メタデータ） (2025-09-18T17:27:28Z)
• MCP-Orchestrated Multi-Agent System for Automated Disinformation Detection [84.75972919995398]
  本稿では,関係抽出を用いてニュース記事の偽情報を検出するマルチエージェントシステムを提案する。 提案したエージェントAIシステムは、(i)機械学習エージェント(ロジスティック回帰)、(ii)Wikipedia知識チェックエージェント、(iv)Webスクラッドデータアナライザの4つのエージェントを組み合わせる。 その結果、マルチエージェントアンサンブルはF1スコア0.964で95.3%の精度を達成し、個々のエージェントや従来のアプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-08-13T19:14:48Z)
• GAM-Agent: Game-Theoretic and Uncertainty-Aware Collaboration for Complex Visual Reasoning [9.24980723036746]
  GAM-Agentは、視覚言語推論を強化するためのゲーム理論のマルチエージェントフレームワークである。 基本エージェント間の非ゼロサムゲームとして推論過程を定式化し、視覚的知覚サブタスクを専門とするゲームと、論理的一貫性と事実的正確性を検証する重要なエージェントを定式化する。 我々のアプローチはモジュール化され、スケーラブルで、一般化可能であり、信頼性と説明可能なマルチエージェントのマルチモーダル推論への道筋を提供する。
  論文  参考訳（メタデータ） (2025-05-29T12:37:34Z)
• HiddenBench: Assessing Collective Reasoning in Multi-Agent LLMs via Hidden Profile Tasks [12.203366267017737]
  マルチエージェント LLM における集合的推論を評価するための最初のベンチマークである HiddenBench を紹介する。 ベンチマークを基礎として,このパラダイムをカスタムタスクで形式化し,GPT-4.1グループが分散知識の統合に失敗したことを示す。 次に、カスタムデザイン、先行研究、自動生成から引き出された65のタスクにまたがる完全なベンチマークを構築します。
  論文  参考訳（メタデータ） (2025-05-15T19:22:54Z)
• ReConcile: Round-Table Conference Improves Reasoning via Consensus among Diverse LLMs [61.07130026622437]
  大規模言語モデル(LLM)は、まだ自然言語推論タスクに苦戦している。 心の社会に動機づけられて、我々はReConcileを提案する。 LLMエージェント間のラウンドテーブル会議として設計されたマルチモデルマルチエージェントフレームワーク。
  論文  参考訳（メタデータ） (2023-09-22T17:12:45Z)
• On the Complexity of Multi-Agent Decision Making: From Learning in Games to Partial Monitoring [105.13668993076801]
  マルチエージェント強化学習(MARL)理論における中心的な問題は、構造条件やアルゴリズムの原理がサンプル効率の学習保証につながるかを理解することである。 本稿では,複数のエージェントを用いた対話型意思決定のための一般的な枠組みとして,この問題について考察する。 マルチエージェント意思決定における統計的複雑性を特徴付けることは、単一エージェント決定の統計的複雑性を特徴付けることと等価であることを示す。
  論文  参考訳（メタデータ） (2023-05-01T06:46:22Z)
• Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
  この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。 提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
  論文  参考訳（メタデータ） (2022-07-11T21:17:41Z)

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。