論文の概要: Social Networks of LLM Agents

• arxiv url: http://arxiv.org/abs/2607.03695v1
• Date: Sat, 04 Jul 2026 03:59:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.683212
• Title: Social Networks of LLM Agents
• Title（参考訳）: LLMエージェントのソーシャルネットワーク
• Abstract要約: LLMエージェントの注意力の制限は、被曝した情報の一部に限られていることが示されるので、これらのモデルは、集団が実際にどれだけの情報をプールし、群れから真にコンセンサスを知ることができないかを誇張する。 SNLAは、ネットワークの接続方法だけでなく、各エージェントが実際に与える影響をモデル化するフレームワークである。 被曝グラフが非直交かつ次数正則である場合にのみ、有効サンプルサイズが人口数によらず束縛されたままであり、広義の注意は、群集の知恵を回復させる。
• 参考スコア（独自算出の注目度）: 35.37126280179998
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM) agents are increasingly deployed in interacting populations, raising the question of what such populations come to believe collectively. Whether a population aggregates genuine knowledge or collapses into a false consensus directly affects how much such systems can be trusted. Classical social-network models assume that the network itself determines how beliefs combine. This assumption breaks down for LLM agents, whose limited attention takes in only part of what they are exposed to, so these models overstate how much information a population actually pools and cannot tell genuine consensus from herding. We introduce SNLA, a framework that models how much each agent actually influences others, rather than merely how the network connects them. This influence depends on each agent's position in the network and on how sharply attention focuses. Theoretically, we show on a tractable proxy that narrow attention causes herding, where the effective sample size stays bounded regardless of population size, while wide attention recovers wisdom-of-crowds behavior only when the exposure graph is undirected and degree-regular. Empirically, a controlled testbed validates these predictions directly, and the herding-wisdom transition reproduces on operator-controlled variants of three multi-agent LLM benchmarks.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、集団間の相互作用においてますます多くデプロイされ、そのような集団が一体どのように信じるようになるのかという疑問が提起されている。 集団が真の知識を集約するか、偽のコンセンサスに崩壊するかは、そのようなシステムがどれだけ信頼されるかに直接影響を及ぼす。 古典的な社会ネットワークモデルは、ネットワーク自体が信念をどのように組み合わせるかを決定すると仮定する。 この仮定は、LLMエージェントが被曝物の一部だけに限定的に注意を払っているため、これらのモデルは、集団が実際にどれだけの情報をプールし、群れから真のコンセンサスを知ることができないかを誇示する。 SNLAは、ネットワークの接続方法だけでなく、各エージェントが実際に与える影響をモデル化するフレームワークである。 この影響は、ネットワークにおける各エージェントの位置と、いかに注意が集中するかに依存する。 理論的には,被曝グラフが非直交かつ等級正則である場合にのみ,有効標本サイズが個体数によらず有界に留まり,広義の注意は群集行動の知恵を回復させる。 経験的に、制御されたテストベッドはこれらの予測を直接検証し、Hedding-wisdom遷移は3つのマルチエージェントLDMベンチマークの演算子制御された変種を再現する。

関連論文リスト

• Belief Cascades Drive Persuasion in LLM Agent Networks [71.17605142402785]
  本研究では,実世界のego-networkトポロジに根ざしたLLMエージェントのネットワーク上で,ゴール指向の説得者がどのようにスタンスをシフトするかを検討する。 直接露光は、競合走における次のラウンドの姿勢変化を確実に予測し、ピアリレーは小さいが測定可能な影響をもたらすことを示す。 これらの結果は、多エージェントの説得を軌跡レベルのプロセスと露出レベルのプロセスとして評価することを主張する。
  論文  参考訳（メタデータ） (2026-08-25T21:01:19Z)
• Belief Coevolution in a Social Network of Generalist and Specialist Large Language Models [0.15655985886975654]
  対話型大規模言語モデル(LLM)における信念の形成と伝播の過程について検討する。 CoevolveSimはドメインの特殊化、ソーシャルロールの割り当て、ソーシャルネットワークの構造という3つの要素を分離し、研究することができる。 4つのシナリオにまたがる1,280の制御シミュレーションと2つのネットワーク構造、20の医療表示文を実行します。
  論文  参考訳（メタデータ） (2026-07-29T23:02:37Z)
• Network Effects and Agreement Drift in LLM Debates [0.0]
  大規模言語モデル(LLM)は、人間のような社会的行動をシミュレートする前例のない能力を示した。 本稿では,複数ラウンドの議論においてLLMエージェントが集合的にどのように振る舞うかを検討するために,制御されたホモフィリとクラスサイズを持つネットワーク生成モデルを用いる。
  論文  参考訳（メタデータ） (2026-04-13T11:16:58Z)
• When Is Collective Intelligence a Lottery? Multi-Agent Scaling Laws for Memetic Drift in LLMs [19.42697228981973]
  命名ゲームにおいて、特定のエージェントがラベルを優先しない場合でも、人口は急速に対称性を破り、コンセンサスに達することを示す。 最小限のモデルであるQuantized Simplex Gossip (QSG)を導入し、この合意の微妙な起源を相互文脈学習に追従するメカニズムを明らかにする。 我々は,人口規模,通信帯域幅,文脈内適応率,エージェントの内部不確実性の関数として,ドリフト誘起偏光のスケーリング法則を導出する。
  論文  参考訳（メタデータ） (2026-03-25T18:00:29Z)
• Position: AI Agents Are Not (Yet) a Panacea for Social Simulation [62.891898598784415]
  大規模言語モデル(LLM)の最近の進歩は、社会シミュレーションにLLM統合エージェントを使うことへの関心が高まっている。 このポジションペーパーは、LSMをベースとしたエージェントは社会シミュレーションのパナセアではないと主張している。
  論文  参考訳（メタデータ） (2026-02-19T06:35:07Z)
• Group size effects and collective misalignment in LLM multi-agent systems [0.0874967598360817]
  我々は、集団バイアスが以前評価されたよりも深い現象であることを示した。 群のサイズが非線形な方法での力学に影響を与えることを実証する。 これらの結果から,マルチエージェント・ダイナミクスのキードライバとしてグループサイズが確立された。
  論文  参考訳（メタデータ） (2025-10-25T19:45:45Z)
• Alignment Tipping Process: How Self-Evolution Pushes LLM Agents Off the Rails [103.05296856071931]
  本稿では,自己進化型大規模言語モデル(LLM)エージェントに特有の,アライメント・ティッピング・プロセス(ATP)を同定する。 ATPは、連続的な相互作用によってエージェントが訓練中に確立されたアライメント制約を放棄し、強化された自己関心の戦略を支持するときに生じる。 実験の結果、アライメントの利点は自己進化の下で急速に低下し、最初は整合性のない状態に収束したモデルであることが判明した。
  論文  参考訳（メタデータ） (2025-10-06T14:48:39Z)
• Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
  フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。 現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。 情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
  論文  参考訳（メタデータ） (2025-03-21T18:06:28Z)
• Networked Communication for Mean-Field Games with Function Approximation and Empirical Mean-Field Estimation [59.01527054553122]
  分散エージェントは、経験的システムの非絶対的実行から平均フィールドゲームにおいて平衡を学ぶことができる。 既存の設定に関数近似を導入し,Munchausen Online Mirror Descent 方式で描画する。 ポリシー情報の交換は,ネットワーク化されたエージェントが,機能近似設定において,独立エージェントと集中エージェントの両方より優れていることを示す。
  論文  参考訳（メタデータ） (2024-08-21T13:32:46Z)
• Learning from Heterogeneous Data Based on Social Interactions over Graphs [58.34060409467834]
  本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
  論文  参考訳（メタデータ） (2021-12-17T12:47:18Z)
• Distributed Inference with Sparse and Quantized Communication [7.155594644943642]
  ネットワーク内のエージェントが未知の状態によって生成されたプライベート信号のストリームを観測する分散推論の問題を考察する。 本研究では,各仮説に対する低信念を拡散する原理に基づく,イベントトリガー型分散学習ルールを開発する。 逐次量子化器の範囲を精製することにより、各エージェントは1ドルビットで各仮説の信念を符号化しながら、ほぼ確実に指数関数的に真理を学習できることを示す。
  論文  参考訳（メタデータ） (2020-04-02T23:08:51Z)

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。