論文の概要: The Interaction Tax: When Communication Erases Diversity in Multi-Agent Teams

• arxiv url: http://arxiv.org/abs/2608.23541v1
• Date: Mon, 24 Aug 2026 17:45:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.219365
• Title: The Interaction Tax: When Communication Erases Diversity in Multi-Agent Teams
• Title（参考訳）: インタラクション税:マルチエージェントチームにおけるコミュニケーションの多様性の解消
• Abstract要約: この矛盾は、全てのマルチエージェント通信が等しくなるわけではないため、部分的には区別の欠如を反映していると我々は主張する。 異なるモデルファミリーは構造的に異なる解を見つけるが、エージェントが互いに完全な出力を読み合うと、それらの提案は1ラウンド以内に収束し、複数のモデルを使って動機づける多様性を消去する。 我々は、一致した予算の下で、検証済みの11の最適化タスクをテストし、フルソリューションインタラクションが弱いデフォルトであることを確認する。
• 参考スコア（独自算出の注目度）: 19.40674480383609
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Does multi-agent LLM interaction help or hurt? Some work reports gains from debate (Du et al., 2024), critique loops (Chen et al., 2025), and mixture-of-agents synthesis (Wang et al., 2025), while other work finds that interaction adds cost without improving quality under equal budgets (Tran & Kiela, 2026; Xu et al., 2026; Jarrett et al., 2025), or that independent sampling already captures multi-agent gains (Li et al., 2024). We argue this contradiction partly reflects a missing distinction, because not all multi-agent communication is equal. Different model families find structurally different solutions, but when agents read each other's complete outputs, their proposals converge within one round, erasing the diversity that motivates using multiple models. We call this the interaction tax. We test 11 verifier-scored optimization tasks under matched budgets and find that full-solution interaction is a weak default. Independent proposal generation avoids this collapse. Full-solution interaction mainly makes agents stay close to the first solution they see instead of trying different approaches, and critique helps only if the violated rule is easy for the LLM to find and fix. These results suggest that multi-agent performance depends less on the number of agents than on the information they exchange, and interaction helps only when agents share the right information at the right time.
• Abstract（参考訳）: マルチエージェントLDMインタラクションは役に立ちますか? いくつかの研究報告(Du et al , 2024年)、批判ループ(Chen et al , 2025年)、混合エージェント合成(Wang et al , 2025年)、その他の研究報告は、相互作用が平等な予算の下で品質を向上することなくコストを上昇させること(Tran & Kiela, 2026年)、Xu et al , 2026年、ジャレット et al , 2025年)、あるいは既に独立したサンプリングがマルチエージェントゲインを捕捉していること(Li et al , 2024年)から得られる。 この矛盾は、全てのマルチエージェント通信が等しくなるわけではないため、部分的には区別の欠如を反映していると我々は主張する。 異なるモデルファミリーは構造的に異なる解を見つけるが、エージェントが互いに完全な出力を読み合うと、それらの提案は1ラウンド以内に収束し、複数のモデルを使って動機づける多様性を消去する。 これを相互作用税と呼ぶ。 我々は、一致した予算の下で、検証済みの11の最適化タスクをテストし、フルソリューションインタラクションが弱いデフォルトであることを確認する。 独立した提案生成は、この崩壊を避ける。 フルソリューションの相互作用は、エージェントが異なるアプローチを試す代わりに目にする最初のソリューションに近づき、違反したルールがLLMが見つけて修正し易い場合にのみ、批判が役立つ。 これらの結果から,マルチエージェントのパフォーマンスはエージェントの数に依存せず,エージェントが適切なタイミングで適切な情報を共有する場合にのみ,インタラクションが有効であることが示唆された。

関連論文リスト

• Multi-Agent LLMs Fail to Explore Each Other [34.74439361133657]
  本稿では,現代の大規模言語モデル (LLM) エージェントが相互に対話する際に効果的に探索できないことを示す。 MACE(Multi- Agent Contextual Exploration)は、構造化されたピア選択による探索を明示的に促進する軽量なフレームワークである。
  論文  参考訳（メタデータ） (2026-07-13T08:34:05Z)
• 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)
• From Single to Societal: Analyzing Persona-Induced Bias in Multi-Agent Interactions [19.313710831511067]
  大規模言語モデル(LLM)ベースのマルチエージェントシステムは、人間のインタラクションをシミュレートし、協調的なタスクを解決するためにますます利用されている。 ペルソナはマルチエージェントインタラクションにバイアスをもたらすか? 本稿では,多エージェントインタラクションにおけるペルソナ誘発バイアスの系統的研究について述べる。
  論文  参考訳（メタデータ） (2025-11-14T18:19:28Z)
• OPTAGENT: Optimizing Multi-Agent LLM Interactions Through Verbal Reinforcement Learning for Enhanced Reasoning [14.105640933123325]
  大規模言語モデル(LLM)は、数学的および科学的タスクにおいて顕著な推論能力を示している。 複雑な推論を強化するため、LLMエージェントの集合的知性を活用するためにマルチエージェントシステムが提案されている。 複数エージェントの協調構造を動的に構築・洗練する多エージェント言語強化学習アルゴリズムである$ours$を提案する。
  論文  参考訳（メタデータ） (2025-10-20T19:07:51Z)
• Can an Individual Manipulate the Collective Decisions of Multi-Agents? [53.01767232004823]
  M-Spoilerは、マルチエージェントシステム内のエージェントインタラクションをシミュレートして、対向サンプルを生成するフレームワークである。 M-スポイラーは、敵対的サンプルの最適化を積極的に支援するスタブボーン剤を導入した。 本研究は,マルチエージェントシステムにおける個々のエージェントの知識によって引き起こされるリスクを検証した。
  論文  参考訳（メタデータ） (2025-09-20T01:54:20Z)
• MAMM-Refine: A Recipe for Improving Faithfulness in Generation with Multi-Agent Collaboration [63.31211701741323]
  我々はマルチエージェント・マルチモデル推論を生成にまで拡張し、特に改良による忠実度の向上を図っている。 我々は,各サブタスクに対して固有の評価を設計し,マルチエージェント(複数インスタンス)とマルチモデル(多変数LPMタイプ)の両方がエラー検出やクオリティクスに有効であることを示す。 我々はこれらの知見を、マルチエージェント・マルチモデル・リファインメント(MAMM-Refinement)と呼ばれる最終的な"レシピ"に統合し、マルチエージェント・マルチモデルコラボレーションがパフォーマンスを大幅に向上させる。
  論文  参考訳（メタデータ） (2025-03-19T14:46:53Z)
• 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)
• Preventing Rogue Agents Improves Multi-Agent Collaboration [21.955058255432974]
  本稿では,アクション予測中にエージェントを監視し,将来エラーが発生する可能性がある場合に介入することを提案する。 WhoDunitEnv、コード生成タスク、そしてリソース持続可能性のためのGovSim環境の実験は、我々のアプローチがパフォーマンスを大幅に向上させることを示している。
  論文  参考訳（メタデータ） (2025-02-09T18:35:08Z)
• Refined Sample Complexity for Markov Games with Independent Linear Function Approximation [49.5660193419984]
  マルコフゲーム(MG)はマルチエージェント強化学習(MARL)の重要なモデルである 本稿では、WangらによるAVLPRフレームワークを改良し(2023年)、最適部分ギャップの悲観的推定を設計する。 マルチエージェントの呪いに取り組み、最適な$O(T-1/2)収束率を達成し、同時に$textpoly(A_max)$依存性を避ける最初のアルゴリズムを与える。
  論文  参考訳（メタデータ） (2024-02-11T01:51:15Z)
• 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)

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。