論文の概要: Relational Priors as Convergence Pressure in LLM-Based Multi-Agent Systems
- arxiv url: http://arxiv.org/abs/2608.03239v1
- Date: Tue, 04 Aug 2026 07:11:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.076492
- Title: Relational Priors as Convergence Pressure in LLM-Based Multi-Agent Systems
- Title（参考訳）: LLMに基づくマルチエージェントシステムにおける収束圧力としてのリレーショナルプリミティブ
- Authors: Ming Shen, Chao Shang, Sadat Shahriar, Devang Kulshreshtha, Yi Zhang, Sandesh Swamy, Yanjun Qi,
- Abstract要約: 本研究では,大規模言語モデルに基づくマルチエージェントシステムにおいて,エージェント間関係のセマンティクスを明示する効果について検討する。
リレーショナル・ポジティビティの増大はエージェントのコーディネートや合意をより容易にする傾向にある。
LLM-MASのデフォルトアドオンとしてリレーショナルプリミティブを使用すべきではない、と我々は主張する。
- 参考スコア（独自算出の注目度）: 13.096154493399764
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language model-based multi-agent systems (LLM-MAS) are designed through roles, debate protocols, and aggregation rules. These choices create implicit social expectations: agents may be expected to trust, challenge, defer to, or collaborate with peers. We study the effects of making inter-agent relation semantics explicit. We use a minimal signed-network formulation of relational priors and inject natural-language renderings into agent system prompts while holding the task protocol fixed. Across a commons-governance simulation and multi-agent debate, relational priors primarily act as convergence pressure: increasing relational positivity tends to make agents coordinate or agree more readily. This pressure can help when utility rewards behavioral alignment, as in sustainable resource governance and subjective consensus. It does not, however, reliably improve accuracy. In objective QA debates, higher positivity can increase agreement even when correctness-conditioned agreement does not improve and may decline in some settings. Effects vary by model backbone, relation type, and topology; explicit neutrality is not equivalent to omitting relational framing. We argue that relational priors should not be a default add-on for LLM-MAS. Their safer use is diagnostic and task-specific: compare against a no-prior baseline, monitor correctness-conditioned metrics when truth matters, and omit the relational layer when validation does not justify it.
- Abstract（参考訳）: 言語モデルに基づく大規模マルチエージェントシステム(LLM-MAS)は、役割、議論プロトコル、集約ルールによって設計されている。
これらの選択は、暗黙の社会的期待を生み出す:エージェントは、仲間を信頼、挑戦、軽視、または協力することが期待される。
エージェント間関係のセマンティクスを明確化する効果について検討する。
我々は、リレーショナルプリエントを最小限の署名ネットワークで定式化し、タスクプロトコルを固定したままエージェントシステムプロンプトに自然言語レンダリングを注入する。
コモンズ・オーバナンス・シミュレーションとマルチエージェントの議論の中で、リレーショナル・プレッシャーは主に収束圧力として機能し、リレーショナル・ポジティビティの増大はエージェントのコーディネートや合意をより容易にする傾向がある。
このプレッシャーは、持続的なリソースガバナンスや主観的なコンセンサスのように、ユーティリティが行動整合性に報いる場合に役立ちます。
しかし、精度は確実に向上しない。
客観的QAの議論では、正当性条件の合意が改善せず、いくつかの設定で低下しても、より高い肯定性は合意を増大させることができる。
効果はモデルバックボーン、関係タイプ、トポロジーによって異なり、明示的な中立性はリレーショナルフレーミングを省略するものではない。
LLM-MASのデフォルトアドオンとしてリレーショナルプリミティブを使用すべきではない、と我々は主張する。
適切なベースラインと比較し、真実が問題になったときに正当性条件付きメトリクスを監視し、検証が正当化しない場合、リレーショナルレイヤを省略する。
関連論文リスト
- From Profiling to Synthesis: Benchmarking Implicit Behavioral Alignment in Personalized LLM Agents [56.187590188698955]
大規模言語モデルは、ますます有能な自律エージェントを可能にしてきたが、そのようなエージェントを実用的に有効にするためには、パーソナライズが不可欠である。
最近のベンチマークではエージェントのパーソナライゼーションの評価が始まっているが、それらは主に静的な選好スナップショット、固定されたインタラクションログ、あるいは事前に定義されたユーザプロファイルに対する質問応答に依存している。
縦断的相互作用履歴から構築した暗黙的行動アライメントのベンチマークであるIBA-Benchを紹介する。
IBA-Agentは、広範囲な検索と軌道レベルのアライメントを通じて競合する優先順位を調整するエージェントフレームワークである。
論文 参考訳（メタデータ） (2026-08-03T12:52:04Z) - Counterfactual Graph for Multi-Agent LLM Calibration [35.92917436685906]
コミュニケーションは、相関する失敗と偽の合意をもたらす可能性があるため、同じ投票シェアは、あるトポロジでは信頼できる合意を反映するが、別のトポロジでは過度な信頼を反映する可能性がある。
CAGE-CAL はマルチエージェント LLM のエージェントグラフキャリブレーションフレームワークである。
論文 参考訳（メタデータ） (2026-05-28T23:16:29Z) - Taming Actor-Observer Asymmetry in Agents via Dialectical Alignment [59.536125286960186]
セルフリフレクションと相互監査を可能にするために、専門的な役割を割り当てるマルチエージェントフレームワークがますます採用されている。
アクター・オブザーバ非対称性(Actor-Observer Asymmetric)と呼ばれる認知バイアスを同時に誘発する。
ReTASは、対立する視点を客観的なコンセンサスに合成するためにエージェントを誘導する。
論文 参考訳（メタデータ） (2026-04-21T15:05:58Z) - Can AI Agents Agree? [32.75269650141292]
大規模言語モデルは、協調エージェントとしてますます展開されているが、敵のコンセンサス設定におけるそれらの振る舞いは研究されていない。
シンクロ・オール・ツー・オール・シミュレーションを用いて,ビザンチンのコンセンサスゲーム上でのLSMに基づくエージェントをスカラー値で評価する。
グループのサイズが大きくなるにつれて、良質な設定や劣化があっても、有効な合意が信頼できないことが分かりました。
論文 参考訳（メタデータ） (2026-03-01T18:18:59Z) - 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) - Verifiable Semantics for Agent-to-Agent Communication [0.2866560512724962]
マルチエージェントAIシステムは一貫した通信を必要とする。
自然言語は解釈可能であるが、セマンティックドリフトに弱い。
そこで本研究では,刺激意味モデルに基づく認証プロトコルを提案する。
論文 参考訳（メタデータ） (2026-02-18T12:55:58Z) - CORE: Context-Robust Remasking for Diffusion Language Models [51.59514489363897]
我々は、推論時リビジョンのためのトレーニング不要フレームワークであるContext-Robust Remasking (CORE)を提案する。
静的トークンの確率を信頼するのではなく、COREは、ターゲットとなるマスク付きコンテキストの摂動に対する感受性を示すことによって、コンテキスト不安定なトークンを識別する。
LLaDA-8B-Baseでは、COREは推論とコードベンチマークの間で一貫した改善を行い、計算に適合したベースラインを上回り、MBPPを最大9.2%改善した。
論文 参考訳（メタデータ） (2026-02-04T00:12:30Z) - Agent-Dice: Disentangling Knowledge Updates via Geometric Consensus for Agent Continual Learning [41.461840578204956]
大言語モデル(LLM)ベースのエージェントは、破滅的な忘れをせずに新しいタスクを学習する。
Agent-Diceは指向性コンセンサス評価に基づくパラメータ融合フレームワークである。
GUIエージェントとツール使用エージェントドメインの実験は、Agent-Diceが優れた連続学習性能を示すことを示した。
論文 参考訳（メタデータ） (2026-01-07T06:43:50Z) - 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) - Improving Language Models Meaning Understanding and Consistency by
Learning Conceptual Roles from Dictionary [65.268245109828]
現代事前訓練言語モデル(PLM)の非人間的行動は、その信頼性を損なう主要な原因である。
驚くべき現象は、矛盾した結果を生み出す不整合予測の生成である。
本研究では,PLMの認知度を向上させることで,一貫性のない行動問題を緩和する実践的アプローチを提案する。
論文 参考訳（メタデータ） (2023-10-24T06:15:15Z)
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。