論文の概要: When LLM Agents Fail to Read the Room: ReAdapt for Relational Social Reasoning

• arxiv url: http://arxiv.org/abs/2609.25284v1
• Date: Mon, 21 Sep 2026 18:27:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.081549
• Title: When LLM Agents Fail to Read the Room: ReAdapt for Relational Social Reasoning
• Title（参考訳）: LLMエージェントが部屋を読むのに失敗したとき:リレーショナルな社会的推論に再適応
• Abstract要約: 正しい行動は、しばしば人との潜伏関係に影響を与えます。 標準的なエージェントループは、エージェントの現在の社会的仮説を新しいリレーショナルエビデンスがどのように修正すべきかを明確に示していない。 本稿では、ReActループを明示的な構造化社会状態 z = (G, B, R, N, D) で拡張し、目標、信念、関係、規範、開示を行うReAdaptを提案する。
• 参考スコア（独自算出の注目度）: 6.4723124524114475
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A social agent's most basic decisions (should I react to this post? who should I reach out to?) are not purely content problems. The right action often hinges on the latent relationship between people -- tie strength, reciprocity, mutual connections -- rather than on which content is most salient. Standard LLM agent loops do not explicitly represent how new relational evidence should revise the agent's current social hypothesis, leaving them prone to surface-obvious choices when relational and content cues diverge. We formalize this failure mode with a relationship-reasoning benchmark: 500 synthetic social worlds with friendships, follows, reaction histories, and feeds, yielding 1,000 queries over two tasks, reaction selection and warm introduction (finding the best bridge to a target person). By construction, the surface-obvious candidate differs from the relationship-grounded oracle in about 53% of queries, forming an overturn subset where the agent must use relational evidence to revise an initially plausible choice. We propose ReAdapt (Relationship-Adaptive Agent with Policy-driven sTate), which augments the ReAct loop with an explicit structured social state z = (G, B, R, N, D) capturing goal, belief, relationship, norm, and disclosure. After each tool observation, ReAdapt runs a typed Adapt step that updates this state and emits a policy operation (continue, switch, abandon, or clarify) before choosing the next action. With Gemini-3-Flash on a stratified subset of n = 150 queries per task, ReAdapt improves warm-introduction accuracy from 37% to 51% (+14 points) and reaction-selection accuracy from 69% to 77% (+8 points). Oracle regret drops from 0.260 to 0.152 and from 0.095 to 0.053, respectively. Holding the model, tools, and environments fixed, these results suggest that explicit relational-state adaptation helps LLM agents turn retrieved social evidence into revised decisions.
• Abstract（参考訳）: ソーシャルエージェントの最も基本的な判断(この記事に対する反応は?誰に連絡すべきか?)は、純粋に内容の問題ではない。 正しい行動は、どのコンテンツが最も健全であるかというよりも、人々(結びつきの強さ、相互性、相互関係)の潜伏した関係にしばしば影響します。 標準的なLLMエージェントループは、新しいリレーショナルエビデンスがどのようにエージェントの現在の社会的仮説を改定すべきかを明確に示していない。 友情、従順、反応履歴、フィードを含む500の合成社会世界、そして2つのタスクにおける1000のクエリ、反応の選択と温かい導入(対象者に最良の橋を埋める)。 構築によって、表面から見いだされる候補は、約53%のクエリで関係基底のオラクルと異なり、エージェントが最初に妥当な選択を修正するために関係証拠を使用しなければならないオーバーターンサブセットを形成する。 本稿では、ReActループを明示的な構造化社会状態 z = (G, B, R, N, D) で強化するReAdapt(Relationship-Adaptive Agent with Policy-driven sTate)を提案する。 各ツール観察の後、ReAdaptはこの状態を更新する型付きAdaptステップを実行し、次のアクションを選択する前にポリシー操作(継続、切り替え、放棄、明確化)を発行する。 Gemini-3-Flashは、タスク毎のn = 150クエリの階層化されたサブセットであり、ReAdaptは温誘引精度を37%から51%(+14ポイント)に改善し、反応選択精度を69%から77%(+8ポイント)に改善する。 Oracle は 0.260 から 0.152 に,それぞれ 0.095 から 0.053 に減少している。 これらの結果は、モデル、ツール、環境を固定した上で、LLMエージェントが検索した社会的証拠を改訂された決定に変換するのに役立つことを示唆している。

関連論文リスト

• A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
  本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。 A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
  論文  参考訳（メタデータ） (2026-08-05T14:01:10Z)
• SEER: A Self-Grounded Evidence Interface for Controlled Spatial Relation Classification [71.9783246097687]
  SEERは、ペアローカライゼーション中の候補関係を隠蔽し、明示的な主観的/対象的役割を持つクエリ固有ビューを構築し、補完的な証拠として完全なイメージとスパースボックス幾何学を保持する。 正確な逆サポートを持つ関係選択プロトコルでは、オプションリファインメントがエンティティロールを交換し、正確に1つの視覚状態が対応する逆関係に従う場合にのみ前方決定を変更する。 変更されていないプロトコルは、3つのモデルにまたがる2,434個のフィルター付きEmbSpatialペア関係質問に対して +4.35 から +11.79 を得る。
  論文  参考訳（メタデータ） (2026-08-04T13:16:15Z)
• Adversarial Feeds Steer LLM Agent Decisions Against Their Defaults [0.0]
  LLMエージェントは、ソーシャルフィード、検索結果、検索コンテキスト、電子メールキューなどのランク付けされた外部情報ストリームを消費した後、ますます行動する。 モデル,ペルソナ,トピック,最終決定のプロンプトを保持する制御プロトコルを導入し,エージェントが遭遇するポストの構成と順序だけを変化させる。 我々は, 逆降圧, デフォルト飽和, 一方のフィードが真に不確実な決定を下す非対称性の3つの応答機構を同定した。
  論文  参考訳（メタデータ） (2026-05-30T22:43:23Z)
• Hypothesis-Conditioned Query Rewriting for Decision-Useful Retrieval [39.146761527401424]
  Retrieval-Augmented Generation (RAG)は、外部の非パラメトリック知識を基礎として、Large Language Models (LLM)を改善する。 既存のRAGメソッドは1つの初期クエリに依存しており、多くの場合、決定関連エビデンスよりもトピック的な関連性を好む。 本稿では,RAGをトピック指向検索からエビデンス指向検索へ再帰させる訓練不要な事前検索フレームワークであるHCQRを提案する。
  論文  参考訳（メタデータ） (2026-03-19T15:15:58Z)
• Test-Time Strategies for More Efficient and Accurate Agentic RAG [58.44913384057518]
  Retrieval-Augmented Generation (RAG) システムは複雑なマルチホップ問題に直面している。 このような手法は、以前に処理された情報の反復的な検索を含む非効率性を導入することができる。 本稿では,これらの問題を軽減するために,サーチ-R1パイプラインに対するテスト時間修正について検討する。
  論文  参考訳（メタデータ） (2026-03-12T19:18:59Z)
• AgentSelect: Benchmark for Narrative Query-to-Agent Recommendation [39.61543921719145]
  AgentSelectは、エージェントの選択をナラティブクエリからエージェントへのレコメンデーションとして再設計するベンチマークである。 異種評価アーティファクトを、統一された正のみの相互作用データに変換する。 AgentSelectは、エージェントレコメンデーションのための最初の統一データと評価インフラストラクチャを提供する。
  論文  参考訳（メタデータ） (2026-03-04T06:17:51Z)
• No One Size Fits All: QueryBandits for Hallucination Mitigation [27.117502300924183]
  我々は、最適なクエリ-リライト戦略を選択するために、オンラインを適応的に学習する、モデルに依存しないコンテキスト・バンディットフレームワークであるQueryBanditsを紹介した。 すべてのクエリに最適な書き直しポリシーは存在しないことを示す。 また、ある静的ポリシーはNo-Rewriteよりも累積的後悔を招き、非フレキシブルなクエリ書き換えポリシーは幻覚を悪化させる可能性があることを示す。
  論文  参考訳（メタデータ） (2026-02-23T20:28:48Z)
• Hydra-SGG: Hybrid Relation Assignment for One-stage Scene Graph Generation [57.69385990442078]
  Hydra-SGGは、VG150 (16.0 mR@50)、Open Images V6 (50.1 weighted score)、GQA (12.7 mR@50)を含む複数のデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-09-16T13:13:06Z)
• LEAPS: End-to-End One-Step Person Search With Learnable Proposals [50.39493100627476]
  LEAPSという学習可能な提案を用いたエンドツーエンドのワンステップ人物探索手法を提案する。 スパースと学習可能な提案のセットが与えられた後、LEAPSは動的人物検索ヘッドを使用して、非最大抑圧後処理なしで直接人物検出および対応するre-id特徴生成を行う。
  論文  参考訳（メタデータ） (2023-03-21T13:59:32Z)

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。