論文の概要: Creative Generation via Multi-Agent Debate: Does Debate Suppress Diversity?

• arxiv url: http://arxiv.org/abs/2609.00683v1
• Date: Tue, 01 Sep 2026 04:00:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.277717
• Title: Creative Generation via Multi-Agent Debate: Does Debate Suppress Diversity?
• Title（参考訳）: マルチエージェント・ディベートによる創造的生成:多様性を抑えるか?
• Authors: Tien Anh Nguyen, Khanh-Binh Nguyen, Van Dai Do, Svetha Venkatesh, Hung Le,
• Abstract要約: マルチエージェント・ディベート (MAD) は, 現実的, 推論的タスクにおいて, 高い品質向上を示した。 我々は,MADの収束駆動設計が独立走行における出力の多様性を積極的に抑制することを発見した。 本稿では,エージェントの分散を維持するための2つの相乗的介入を導入するCreative-MADを提案する。
• 参考スコア（独自算出の注目度）: 25.369528724315106
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Creative generation tasks, such as narrative writing and scientific ideation, demand both high-quality outputs and distinct responses across independent runs to maximize exploration. Multi-Agent Debate (MAD) has shown strong quality gains on factual and reasoning tasks, making it a natural candidate for creative generation. However, we find its convergence-driven design actively suppresses output diversity across independent runs, creating an inherent trade-off with creative tasks. We theoretically show that preserving diversity among agents within each debate session is a necessary condition for achieving diverse outputs across independent runs. Building on this finding, we propose Creative-MAD, which introduces two synergistic interventions to sustain agent divergence. Specifically, Cognitive Lens Assignment counters identity drift by anchoring each agent to a distinct and persistent cognitive mode, while Embedding-based Peer Selection counters majority pull by limiting each agent's context to its most semantically distant peers. Experiments across four creative benchmarks demonstrate that Creative-MAD significantly enhances both lexical and semantic diversity while maintaining MAD's output quality.
• Abstract（参考訳）: 物語の執筆や科学的観念のような創造的な世代タスクは、探索を最大化するために、高品質な出力と独立した実行における明確な応答の両方を要求する。 マルチエージェント・ディベート(MAD)は、現実的なタスクや推論タスクにおいて強い品質向上を示しており、創造的生成の自然な候補となっている。 しかし,コンバージェンス駆動型設計は独立した実行環境における出力の多様性を積極的に抑制し,創造的タスクと固有のトレードオフを生み出す。 理論的には,各討論会におけるエージェント間の多様性の維持は,独立した実行において多様なアウトプットを達成するために必要な条件である。 この発見に基づいて,エージェントの分散を維持するための2つの相乗的介入を導入したCreative-MADを提案する。 特に、Cognitive Lens Assignmentは、各エージェントを識別的かつ永続的な認知モードに固定することでアイデンティティドリフトを阻止する一方、EmbddingベースのPeer Selectionは、各エージェントのコンテキストを最も意味的に離れたピアに制限することで、過半数のプルに対処する。 4つのクリエイティブベンチマーク実験により、Creative-MADは、MADの出力品質を維持しながら、語彙と意味の多様性を著しく向上させることが示された。

関連論文リスト

• 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)
• Hear Both Sides: Efficient Multi-Agent Debate via Diversity-Aware Message Retention [31.583055847273826]
  Multi-Agent Debateは、大規模言語モデルの推論品質を改善するための有望なフレームワークとして登場した。 現在のアプローチは、放送前の低信頼応答をフィルタする不確実性推定に依存している。 本稿では,エージェント応答のサブセットを選択する軽量な討論フレームワークであるDiversity-Aware Retention (DAR)を提案する。
  論文  参考訳（メタデータ） (2026-03-21T04:27:47Z)
• DynaDebate: Breaking Homogeneity in Multi-Agent Debate with Dynamic Path Generation [47.62978918069135]
  DynaDebate (Dynamic Multi-Agent Debate) を導入し,3つのキーメカニズムによるマルチエージェント討論の有効性を高める。 大規模な実験により、DynaDebateは既存の最先端のMADメソッドを超越して、様々なベンチマークで優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-01-09T12:01:33Z)
• CreativityPrism: A Holistic Benchmark for Large Language Model Creativity [64.18257552903151]
  創造性はしばしば人間の知能の目印と見なされる。 さまざまなシナリオにまたがってクリエイティビティを評価するための総合的なフレームワークはまだ存在しません。 本稿では,創造性を質,新規性,多様性の3次元に分解する評価分析フレームワークであるCreativePrismを提案する。
  論文  参考訳（メタデータ） (2025-10-23T00:22:10Z)
• DixitWorld: Evaluating Multimodal Abductive Reasoning in Vision-Language Models with Multi-Agent Dixit Gameplay [50.31585196187091]
  マルチモーダルな帰納的推論を分解するための総合評価スイートであるDixitWorldを紹介した。 DIXITWORLDは,仮説生成と仮説選択を評価する動的マルチエージェント環境であるDixitArenaという,2つのコアコンポーネントを備えている。 DixitArenaの結果は、異なる、役割に依存した行動を明らかにしている。
  論文  参考訳（メタデータ） (2025-10-11T08:48:48Z)
• MADIAVE: Multi-Agent Debate for Implicit Attribute Value Extraction [52.89860691282002]
  インプシット属性値抽出(AVE)は、電子商取引における商品の正確な表現に不可欠である。 マルチモーダル大言語モデル(MLLM)の進歩にもかかわらず、多次元データの複雑さのため暗黙のAVEは依然として困難である。 我々は,複数のMLLMエージェントを用いて推論を反復的に洗練するマルチエージェント討論フレームワークであるtextscmodelnameを紹介する。
  論文  参考訳（メタデータ） (2025-10-07T06:27:42Z)
• Jointly Reinforcing Diversity and Quality in Language Model Generations [64.72289248044514]
  大規模言語モデル(LM)のポストトレーニングは、しばしば多様性を犠牲にして正確さと役に立つことを優先する。 DARling(Diversity-Aware Reinforcement Learning)は、応答品質とセマンティック多様性を協調的に最適化するフレームワークである。
  論文  参考訳（メタデータ） (2025-09-02T17:38:47Z)
• The Power of Personality: A Human Simulation Perspective to Investigate Large Language Model Agents [33.84280027120088]
  人体シミュレーションのレンズを用いた大規模言語モデル(LLM)インテリジェンスを系統的に研究する。 LLMエージェントにビッグファイブの性格特性を割り当て、単一・複数エージェント設定で評価することにより、特定の特徴が推論精度(クローズドタスク)と創造的出力(オープンタスク)に大きく影響することを明らかにする。 さらに、マルチエージェントシステムは、個性の組み合わせを区別することによって、個々の能力とは異なる集団知性を示す。
  論文  参考訳（メタデータ） (2025-02-28T09:01:39Z)
• Multi-Novelty: Improve the Diversity and Novelty of Contents Generated by Large Language Models via inference-time Multi-Views Brainstorming [3.591342811819669]
  LLM(Large Language Models)は、正確で流動的なテキストを生成するのに顕著な習熟度を示す。 彼らはしばしば多様性と斬新さと闘い、反復的あるいは過度に決定論的反応をもたらす。 多様な視点でインプットプロンプトを強化する新しい手法である推論時マルチビューブレインストーミング手法を導入する。
  論文  参考訳（メタデータ） (2025-02-18T10:04:20Z)

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。