論文の概要: Bias Amplification in Multi-Agent Network: How Biased Agents Shape Opinions and Rhetoric

• arxiv url: http://arxiv.org/abs/2609.18306v1
• Date: Wed, 16 Sep 2026 08:27:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.711746
• Title: Bias Amplification in Multi-Agent Network: How Biased Agents Shape Opinions and Rhetoric
• Title（参考訳）: マルチエージェントネットワークにおけるバイアス増幅 : バイアスエージェントがどうオピニオンとレトリックを形作るか
• Abstract要約: 大きな言語モデル(LLM)は、エージェント間のインタラクションを含むアプリケーションにますます多くデプロイされている。 この研究は、偏見のある意見がテキストインタラクションの形でどのように伝播されるかを研究する。 このようなシステムに少数の偏見のあるエージェントが存在することさえ、非偏見のないエージェントの意見に大きな変化をもたらすことを示している。
• 参考スコア（独自算出の注目度）: 0.6459652643027808
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are increasingly deployed in applications involving interaction between agents, where their output plays a role in collective reasoning and decision-making processes. Despite significant research into the functioning of LLMs in such multi-agent systems, the processes of bias propagation in such systems are still a challenge. This work studies how biased opinions are propagated in the form of textual interaction in an environment of LLMs, in which a minority of agents maintain persistent extreme opinions, while the remaining agents iteratively update their beliefs through structured textual interactions. The findings show that even the presence of a small percentage of biased agents in such a system leads to significant shifts in the opinions of non-biased agents. It suggests that for the same percentage of biased agents, the shifts occur more quickly for the Llama~3.2 model when compared to a classical Friedkin-Johnsen (FJ) model. Further semantic analysis demonstrates that rhetorical consistency in textual explanations increases systematically with biased exposure and, importantly, is partially decoupled from numerical convergenumericalutral agents adopt the vocabulary employed by the biased agents even in configurations where their numerical opinion shifts remain moderate. The research helps explain how bias and language develop together in multi-agent language model ecosystems.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、エージェント間の相互作用を含むアプリケーションにますます多くデプロイされており、その出力は集合的推論や意思決定プロセスにおいて役割を担っている。 このようなマルチエージェントシステムにおけるLLMの機能に関する重要な研究にもかかわらず、そのようなシステムにおけるバイアス伝播のプロセスは依然として課題である。 この研究は、少数のエージェントが永続的な極端な意見を保ちながら、残りのエージェントが構造化されたテキストインタラクションを通じて彼らの信念を反復的に更新するLLMの環境において、偏見のある意見がどのようにテキストインタラクションの形で伝播されるかを研究する。 このようなシステムに少数の偏見のあるエージェントが存在するとしても、非偏見のあるエージェントの意見は大きく変化している。 同割合のバイアス剤では、古典的なフリードキン・ジョンセン(FJ)モデルと比較して、Llama~3.2モデルではシフトがより速く起こることが示唆されている。 さらにセマンティック分析により, 文章説明における修辞的一貫性は, 偏在曝露とともに体系的に増加し, さらに, 数値収束剤から部分的に切り離され, 偏在エージェントが採用する語彙は, 数値的な意見のずれが緩やかに保たれている構成でも採用されることが示された。 この研究は、バイアスと言語がマルチエージェント言語モデルエコシステムでどのように発展するかを説明するのに役立ちます。

関連論文リスト

• 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)
• 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)
• Mitigating Conversational Inertia in Multi-Turn Agents [47.35031006899519]
  我々は,従来の応答に対して,モデルが強い対角的注意を示す現象である会話慣性を特定する。 本研究では,高慣性応答よりも低慣性応答を優先するために,モデル選好を校正するコンテキスト選好学習を提案する。
  論文  参考訳（メタデータ） (2026-02-03T15:47:32Z)
• The Social Cost of Intelligence: Emergence, Propagation, and Amplification of Stereotypical Bias in Multi-Agent Systems [20.359327253718718]
  大規模言語モデル(LLMs)におけるバイアスは、社会集団全体でのステレオタイピングと不公平な扱いにおいて、引き続き永続的な課題である。 内部特殊化, 基礎となるLCM, エージェント間通信プロトコルが, バイアス堅牢性, 伝搬, 増幅に与える影響について検討した。 以上の結果から,マルチエージェントLPMシステムにおける公平性とレジリエンスを規定する重要な要因が示唆された。
  論文  参考訳（メタデータ） (2025-10-13T02:56:42Z)
• Disagreements in Reasoning: How a Model's Thinking Process Dictates Persuasion in Multi-Agent Systems [49.69773210844221]
  本稿では,説得力はモデルスケールの関数である,という一般的な仮説に挑戦する。 一連のマルチエージェントの説得実験を通じて、パーサーション・デュナリティ(Persuasion Duality)と呼ばれる基本的なトレードオフを明らかにする。 以上の結果から, LRMの推理過程は説得に対する抵抗性が大きく, 当初の信念をより堅固に維持していることが明らかとなった。
  論文  参考訳（メタデータ） (2025-09-25T12:03:10Z)
• Judging with Many Minds: Do More Perspectives Mean Less Prejudice? On Bias Amplifications and Resistance in Multi-Agent Based LLM-as-Judge [70.89799989428367]
  我々は、位置バイアス、冗長性バイアス、チェーンオブ思考バイアス、バンドワゴンバイアスの4つの多様なバイアスタイプを体系的に分析する。 広く採用されているマルチエージェントLLM-as-JudgeフレームワークであるMulti-Agent-DebateとLLM-as-Meta-Judgeでこれらのバイアスを評価する。
  論文  参考訳（メタデータ） (2025-05-26T03:56:41Z)
• Unmasking Conversational Bias in AI Multiagent Systems [1.0705399532413618]
  生成モデルを含むマルチエージェントシステムで生じる可能性のあるバイアスは、未研究のままである。 本稿では,対話型大規模言語モデルのマルチエージェントシステムにおけるバイアスの定量化を目的としたフレームワークを提案する。 エコーチャンバー実験で観測されたバイアスは、現在最先端のバイアス検出法で検出されていない。
  論文  参考訳（メタデータ） (2025-01-24T09:10:02Z)
• 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。