論文の概要: Where Reasoning Diverges: Localized Multi-Agent Debate
- arxiv url: http://arxiv.org/abs/2608.01463v1
- Date: Sun, 02 Aug 2026 19:47:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.248806
- Title: Where Reasoning Diverges: Localized Multi-Agent Debate
- Title（参考訳）: 推論の多様性:ローカライズされたマルチエージェントの議論
- Abstract要約: マルチエージェントの議論は、意見の相違がいくつかの中間的主張にのみ関係している場合でも、完全な推論の痕跡を交換することが一般的である。
エージェントトレースを型付きノードとして表現し,最初期の競合点を特定し,対応するローカルセグメントに議論を限定する推論時プロトコルであるローカル・マルチエージェント・ディベート(LMAD)を導入する。
- 参考スコア（独自算出の注目度）: 4.341803152766
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-agent debate commonly exchanges complete reasoning traces even when disagreements concern only a few intermediate claims. We introduce Localized Multi-Agent Debate (LMAD), an inference-time protocol that represents agent traces as typed nodes, locates their earliest conflict, and restricts debate to the corresponding local segments. Guarded resolution extends a shared committed state so that later conflicts can be addressed without reopening accepted steps. We evaluate a single fixed LMAD configuration on four multi-hop question-answering benchmarks using ten backbones from four model families. Our method achieves the highest macro-averaged judge accuracy across all ten backbones, outperforming the strongest conventional baseline by up to 7.20 percentage points.
- Abstract（参考訳）: マルチエージェントの議論は、意見の相違がいくつかの中間的主張にのみ関係している場合でも、完全な推論の痕跡を交換することが一般的である。
エージェントトレースを型付きノードとして表現し,最初期の競合点を特定し,対応するローカルセグメントに議論を限定する推論時プロトコルであるローカル・マルチエージェント・ディベート(LMAD)を導入する。
ガードされた解決は共有されたコミット状態を拡張して、承認されたステップを再開することなく、後のコンフリクトに対処する。
4つのモデルファミリーの10個のバックボーンを用いて、4つのマルチホップ質問応答ベンチマーク上で1つの固定LMAD構成を評価する。
提案手法は,10個の背骨のマクロ平均判定精度を最大7.20ポイントまで向上させる。
関連論文リスト
- Remember and Reweight: Enhancing Multi-Agent Debate with Experience Memory and Confidence Estimation [6.5331167606521205]
マルチエージェントディベート(MAD)は、複数のエージェントが議論を通じて応答を反復的に洗練することにより、大規模言語モデルの推論能力を改善する。
MADは共有誤解と呼ばれる致命的な脆弱性に悩まされる: エージェントの大多数が誤った答えに収束すると、議論プロセスは誤りを訂正するよりも増幅する傾向にある。
既存の方法は主にピアスキューに対処するが、エージェントの本質的に偏見のある概念は未適応のままである。
R$2$-MADは,過去の議論から蓄積した経験記憶をエージェントに提供するフレームワークである。
論文 参考訳（メタデータ） (2026-09-03T10:05:01Z) - 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) - PEAR: Permutation-Equivariant Adaptive Routing Multi-Agent Debate [47.1691533622053]
推論時間プロトコルであるtextitPermutation-Equivariant Adaptive Routing Multi-Agent Debate (PEAR) を導入する。
PEARは、進化するエージェント状態に基づいてエージェントとロールの割り当てを戦略的に切り替えることで、任意のエージェントが特権ネットワークの位置を永久に占有することを防ぐ。
総合的な経験的評価は、PEARが最強の議論ベースラインよりも平均精度を著しく向上させることを示している。
論文 参考訳（メタデータ） (2026-05-26T13:16:48Z) - 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) - Courtroom-Style Multi-Agent Debate with Progressive RAG and Role-Switching for Controversial Claim Verification [2.464003792743989]
大型言語モデル (LLM) は、幻覚や浅い推論のため、高い精度のクレーム検証には信頼できないままである。
本稿では, 検証を構造化された, 反対の審議会として再編成する, 裁判所方式のマルチエージェントフレームワーク PROClaim を提案する。
提案手法は,プログレッシブRAG (Progressive RAG, P-RAG) と特別な役割(プレーンティフ, ディフェンス, ジャッジ)を統合し, 議論の間, 証拠プールを動的に拡大・洗練する。
論文 参考訳（メタデータ） (2026-03-30T14:23:15Z) - Multimodal Fact-Level Attribution for Verifiable Reasoning [80.60864342985748]
マルチモーダル大言語モデル(MLLM)は、多段階推論と長文生成を含む実世界のタスクにますます利用されている。
既存のマルチモーダルグラウンドベンチマークと評価手法は、複雑なマルチモーダル推論における属性評価に失敗する。
我々は、直接観察以上の推論を必要とする設定において、ファクトレベルのマルチモーダル属性を評価するためのベンチマークであるMuRGAtを紹介する。
論文 参考訳（メタデータ） (2026-02-12T03:10:02Z) - Towards Scalable Oversight with Collaborative Multi-Agent Debate in Error Detection [81.52796950244705]
自己診断は、信頼できる外部からのフィードバックがなければ、複雑なタスクでは信頼できない。
我々は,新たなコラボレーティブMADプロトコルであるColMADを導入し,MADを非ゼロ和ゲームとして再構成する。
ColMADは従来の競合MADよりも19%優れていた。
論文 参考訳（メタデータ） (2025-10-23T19:46:00Z) - 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) - 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) - 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)
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。