論文の概要: MABPD: Multi-Agent Bias Probing & Detection via Structured Argument Debate
- arxiv url: http://arxiv.org/abs/2609.04841v1
- Date: Fri, 04 Sep 2026 07:58:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.965503
- Title: MABPD: Multi-Agent Bias Probing & Detection via Structured Argument Debate
- Title（参考訳）: MABPD:構造化議論によるマルチエージェントバイアス探索と検出
- Abstract要約: MABPD(Multi-Agent Bias Probing & Detection)は、教師付き分類に代わる、原則化された、トレーニングなしの代替品である。
SADは、証明のドメイン動機による非対称な負担を実装する。
アブレーションは、単なるエージェント並列性ではなく、この構造化された検討によって性能が向上することを確認した。
- 参考スコア（独自算出の注目度）: 0.06999740786886537
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Media bias in news articles operates through subtle linguistic cues---loaded language, selective framing, and strategic omission---that resist single-model detection and have traditionally required large annotated corpora for supervised training. We ask whether structured multi-agent deliberation can serve as a principled, training-free alternative to supervised classification for this task. We introduce MABPD (Multi-Agent Bias Probing & Detection), a pipeline in which three specialized LLM agents analyze an article from complementary perspectives and resolve disagreements through a Structured Argument Debate (SAD) protocol. SAD implements a domain-motivated asymmetric burden of proof---biased claims without grounded textual evidence carry zero weight---combined with role-weighted voting and post-consensus verification, replacing task-specific supervised decision boundaries with explicit deliberative structure. Ablation confirms that this structured deliberation, not mere agent parallelism, drives performance: removing the debate module reduces F1 by up to 10.6 points. On the BABE benchmark (4,121 expert-annotated sentences), MABPD achieves 83.4% macro F1 on the held-out test split---within 0.7 percentage points (pp) of the supervised SOTA (MAGPIE, 84.1% macro F1; Horych et al., 2024)---without any task-specific training or threshold tuning on annotated data. Cross-dataset evaluation on the SemEval 2019 HyperPartisan corpus (644 articles) yields 75.0% zero-shot accuracy, within 7.2 pp of the supervised SOTA accuracy (82.2%; Kiesel et al. 2019), confirming transfer across annotation regimes. We release the full pipeline and evaluation code.
- Abstract（参考訳）: ニュース記事のメディアバイアスは、言語、選択的フレーミング、戦略的省略といった微妙な言語的手がかりを通じて機能する。
我々は、構造化マルチエージェントの審議が、このタスクの教師付き分類に代えて、原則化された、トレーニングなしの代替として機能するかどうかを問う。
MABPD(Multi-Agent Bias Probing & Detection)は、3つの特殊なLCMエージェントが相補的な視点から記事を分析し、構造化議論(SAD)プロトコルを通じて不一致を解消するパイプラインである。
SADは、ドメイン駆動の非対称な証明の負担を、根拠のない文書的証拠のない主張はゼロの重みを持ち、役割重み付けの投票と合意後の検証と組み合わせて、タスク固有の監督された決定境界を明示的な熟考構造に置き換える。
アブレーションは、単なるエージェント並列性ではなく、この構造化された検討によって性能が向上し、議論モジュールを削除することでF1を最大10.6ポイント削減することを確認した。
BABEベンチマーク(4,121のエキスパート注釈付き文)では、MABPDは83.4%のマクロF1をホールトアウトテストスプリットで達成し、注視SOTA(MAGPIE, 84.1%マクロF1; Horych et al , 2024)の0.7パーセンテージポイント(pp)を達成している。
SemEval 2019 HyperPartisan corpus(644条)のデータセット間の評価では、監督されたSOTAの精度(82.2%、キーセルら、2019年)の7.2pp以内で、75.0%のゼロショット精度が得られる。
完全なパイプラインと評価コードをリリースします。
関連論文リスト
- Grounded Checklist Partial Credit for Agent Skill Trajectories [5.028537745773042]
グラウンドドチェックリスト部分クレジット(GCPC)は、エージェント軌跡の人為的な部分クレジット評価である。
12のタスクから96のトラジェクトリに対する人間の評価は、G CPCが人間の進捗評価とより密接に一致していることを示している。
パイプラインはターミナルベンチやSWEベンチにも移行し、スキル条件による評価を超えた適用性を示す。
論文 参考訳（メタデータ） (2026-08-26T06:17:19Z) - Trace2Policy: From Expert Behavior Traces to Self-Evolving Decision Agents [5.689042186242701]
企業の専門家が暗黙的に適用する決定ルールは、反復的エラー分析によって体系的に回復し、改善することができる。
基本機構は textbfEISR である textbfTrace2Policy について述べる。
各ラウンドは検証セット上でルールを実行し、ルート原因によるエラーをMISSING、WRONG、CONFLICTタイプにクラスタし、ターゲットパッチを適用し、レグレッションゲートを通過するもののみをコミットする。
論文 参考訳（メタデータ） (2026-06-09T06:05:29Z) - Automated Benchmark Auditing for AI Agents and Large Language Models [46.03841647776303]
Auto Benchmark Audit (ABA)は、個々のベンチマークタスクを体系的に監査するエージェントフレームワークである。
私たちは、9つのドメインで合計168のベンチマークで、Frontier LLMベンチマークと以前のNeurIPSパブリッシュのコレクションでABAを実行しています。
ABAは、不明瞭なタスク設計、実行環境の矛盾、そして、評価されたタスクの25.7%以上において、誤った根拠の真実を含む重要な問題を特定する。
論文 参考訳（メタデータ） (2026-05-25T17:44:21Z) - Structured Uncertainty guided Clarification for LLM Agents [126.26213027785813]
LLMエージェントは、ツールコール機能を備えた大きな言語モデルを拡張するが、曖昧なユーザ命令は、しばしば誤った呼び出しやタスクの失敗につながる。
本稿では,ツールコールパラメータに対する構造的不確かさの定式化,完全情報の期待値(EVPI)を目標としたPOMDPのモデル化,冗長性防止のためのアスペクトベースコストモデルを提案する。
我々のSAGE-Agentは、この構造化された不確実性を活用し、より優れた効率を達成するために、曖昧なタスクのカバレッジを7～39%増加させ、明確な質問を1.5～2.7$times$に減らした。
論文 参考訳（メタデータ） (2025-11-11T21:50:44Z) - FOR-Prompting: From Objection to Revision via an Asymmetric Prompting Protocol [7.765950922513099]
推論プロトコルは内部の審議を組織するが、自己修正を誘発する外部質問の明確なメカニズムは欠如している。
For-Promptingは、デフェンダーが回答を提案し、Objectionerが直接修正せずに質問スタイルの異議を提起し、Hostが一貫性とクロージャを強制する非対称なプロトコルである。
GSM8Kでは、単一プロンプトよりも約22%のポイントゲインとCoTと同等の精度を示し、一様GPT 4.1判事の推論とコヒーレンスにおいて10%以上の高い評価を得た。
論文 参考訳（メタデータ） (2025-10-02T04:57:58Z) - Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。
Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。
SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
論文 参考訳（メタデータ） (2025-09-25T14:05:55Z) - 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) - ADEPT: A DEbiasing PrompT Framework [64.54665501064659]
ファインタニングは文脈化された単語の埋め込みを曖昧にするための応用手法である。
意味的な意味を持つ個別のプロンプトは、タスクを乱すのに有効であることが示されている。
本稿では, PLM をデバイアス化する方法であるADEPT を提案し, バイアス除去と表現能力の確保の微妙なバランスを維持しながら, 即時チューニングによる PLM のデバイアス化手法を提案する。
論文 参考訳（メタデータ） (2022-11-10T08:41:40Z)
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。