Fugu-MT 論文翻訳(概要): Mitigating Identity Essentialism in LLM Agents with Longitudinal Life Trajectories

論文の概要: Mitigating Identity Essentialism in LLM Agents with Longitudinal Life Trajectories

arxiv url: http://arxiv.org/abs/2608.19621v2
Date: Fri, 21 Aug 2026 09:45:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-24 14:49:31.927507
Title: Mitigating Identity Essentialism in LLM Agents with Longitudinal Life Trajectories
Title（参考訳）: 縦型ライフトラジェクトリを用いたLDMエージェントにおけるアイデンティティー本質の緩和
Abstract要約: 静的要因は,ヒトよりも人口分離とグループ内圧縮が強いことを示す。本稿では,構造化されたライフイベント検索とエージェント固有のパラメトリックメモリを組み合わせた,体験統合のための縦型メモリフレームワークLifeMemを提案する。
参考スコア（独自算出の注目度）: 36.94856258384994
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Large language models (LLMs) offer a scalable approach to social simulation, but their credibility depends on how agents are constructed. Existing methods can partially reproduce population-level patterns, yet often fail to capture human-like diversity. Our analysis shows that static-profile agents exhibit stronger demographic separation and within-group compression than humans, a pattern consistent with identity essentialism: demographic labels can encourage models to treat group-average tendencies as individual traits, homogenizing responses within groups. We argue that this limitation arises from two related factors: sparse, static agent representations and the limited ability of prompt-only memory to persistently integrate experience. Inspired by complementary memory systems, we propose LifeMem, a longitudinal memory framework that combines structured life-event retrieval with agent-specific parametric memory for experience integration. Experiments on Add Health and Understanding Society with three LLMs show that LifeMem improves alignment with human data in terms of response distributions, overall and within-group diversity, and patterns of within-person response change across life stages. These findings highlight the value of longitudinal life-event memory for constructing more faithful and dynamically evolving social agents.
Abstract（参考訳）: 大規模言語モデル(LLM)は、社会的シミュレーションに対するスケーラブルなアプローチを提供するが、その信頼性はエージェントの構築方法に依存する。既存の方法は人口レベルのパターンを部分的に再現できるが、人間のような多様性を捉えるのに失敗することが多い。統計学的ラベルは,集団平均傾向を個々の特性として扱うことをモデルに奨励し,グループ内の反応を均質化する。この制限は、スパース、静的なエージェント表現と、経験を永続的に統合するためのプロンプトのみのメモリの制限という2つの関連する要因から生じると我々は主張する。並列メモリシステムにインスパイアされたLifeMemは、構造化されたライフイベント検索とエージェント固有のパラメトリックメモリを組み合わせた、体験統合のための縦型メモリフレームワークである。 3つのLDMを用いたAdd Health and Understanding Societyの実験では、LifeMemは、応答分布、全体およびグループ内の多様性、および生活段階における個人内反応の変化パターンの観点から、人間のデータとの整合性を改善する。これらの知見は, より忠実で動的に進化する社会エージェントを構築する上での, 長寿命記憶の価値を浮き彫りにした。

関連論文リスト

DivRL: Disentangled Self-Similarity Rewards for Diverse Subject-Driven Generation [52.23323703015865]
本研究では,アイデンティティの整合性と構造的多様性を同時に最適化するDivRLというポストトレーニングフレームワークを提案する。構造的多様性を定量化するための負の自己相似性尺度(nSSM)と、アイデンティティの整合性を評価するための視覚的セマンティックマッチング(VSM)を導入する。
論文参考訳（メタデータ） (2026-06-22T21:22:42Z)
MobEvolve: An Agentic Self-Evolving Heuristic System for Interpretable Human Mobility Generation [51.824145170051516]
MobEvolveは、人間のモビリティ生成のための自己進化フレームワークである。エージェントを使用して、内部ロジックを反復的に進化させる。最先端の深層生成法とLLMベースの手法を著しく上回っている。
論文参考訳（メタデータ） (2026-06-01T03:46:25Z)
How Well Do Large Language Models Capture Human Personality? [38.97721735513693]
大規模言語モデル(LLM)は、ペルソナのプロンプトを通じて人間の人口をシミュレートするためにますます使われている。本研究では、より豊かなペルソナ記述が行動の忠実性を改善するという仮定を定式化し、同様に大きさの属性の組み合わせは等しくシミュレート可能であり、ペルソナ定義はタスク全体にわたって一般化される。我々はペルソナ多様体崩壊という基本的な限界を特定し、そこでは表現的・行動的多様性の体系的収縮につながる表現的ペルソナ仕様が増加する。
論文参考訳（メタデータ） (2026-05-12T10:33:48Z)
The Chameleon's Limit: Investigating Persona Collapse and Homogenization in Large Language Models [12.654067061944074]
大規模言語モデル(LLM)に基づくアプリケーションでは,エージェント間の個体数の多様性が要求される。エージェントはそれぞれ異なるプロファイルを割り当てるが、それでも狭い行動モードに収束し、均質なシミュレートされた人口を生み出す。
論文参考訳（メタデータ） (2026-04-27T17:01:48Z)
How memory can affect collective and cooperative behaviors in an LLM-Based Social Particle Swarm [0.0]
本研究では,大規模言語モデル (LLM) エージェントのモデル固有特性について検討した。
論文参考訳（メタデータ） (2026-04-14T03:54:49Z)
Towards Real-world Human Behavior Simulation: Benchmarking Large Language Models on Long-horizon, Cross-scenario, Heterogeneous Behavior Traces [81.41397370235102]
我々はOmniBehaviorを紹介した。OmniBehaviorは実世界のデータから構築された最初のユーザシミュレーションベンチマークである。現在のモデルでは,コンテキストウィンドウが拡大しても,複雑な振る舞いを正確にシミュレートすることが困難であることを示す。この結果、個人差や長い尾の挙動が失われ、将来の高忠実度シミュレーション研究における重要な方向性が浮き彫りになる。
論文参考訳（メタデータ） (2026-04-09T15:26:21Z)
IROTE: Human-like Traits Elicitation of Large Language Model via In-Context Self-Reflective Optimization [66.6349183886101]
IROTEは,安定かつ伝達可能な特性抽出のための新しいインコンテキスト手法である。 IROTEが生成する1つの自己反射は、様々な下流タスクにまたがる目標特性の安定な偽造を LLM が引き起こすことを示す。
論文参考訳（メタデータ） (2025-08-12T08:04:28Z)
Spontaneous Emergence of Agent Individuality through Social Interactions in LLM-Based Communities [0.0]
本稿では,Large Language Model (LLM) ベースのエージェントを用いて,ゼロからエージェントが出現することを検討する。このマルチエージェントシミュレーションを解析することにより、社会的規範、協力、性格特性が自然に出現する方法について、貴重な新しい知見を報告する。
論文参考訳（メタデータ） (2024-11-05T16:49:33Z)
PersLLM: A Personified Training Approach for Large Language Models [66.16513246245401]
データ構築とモデルチューニングを改善するためのフレームワークPersLLMを提案する。データ利用が不十分な場合には、Chain-of-Thoughtプロンプトやアンチインダクションといった戦略を取り入れます。厳密な振舞いパターンを設計し,モデルの性格の特異性とダイナミズムを高めるために自動DPOを導入する。
論文参考訳（メタデータ） (2024-07-17T08:13:22Z)
Multi-Agent Imitation Learning with Copulas [102.27052968901894]
マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
論文参考訳（メタデータ） (2021-07-10T03:49:41Z)

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。