論文の概要: Social Circuits behind Multi-agent Echo Chambers

• arxiv url: http://arxiv.org/abs/2609.34444v1
• Date: Mon, 28 Sep 2026 07:02:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 13:32:07.642182
• Title: Social Circuits behind Multi-agent Echo Chambers
• Title（参考訳）: マルチエージェントエコーチャンバーの社会回路
• Abstract要約: Social Circuitsは受信者のアクティベーションを通じてメッセージエフェクトをトレースするフレームワークである。 ソーシャルサーキットに基づいて,有用なメッセージを選択することを学習するサーキットガイド・デリバレーション(CGD, Circuit-Guided Deliberation)を提案する。
• 参考スコア（独自算出の注目度）: 9.598613034806208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Language-model agents exchange messages to combine evidence, but their communication can also create echo chambers that reinforce shared errors. However, overall task performance does not explain how a message changes the receiving agent's internal activations and affects its decision. In this work, we introduce Social Circuits, a framework for tracing message effects through receiver activations. We compare the receiver's answers before and after changing a message. Then, we restore selected activations recorded under the original message to determine how much of the message effect these activations reproduce. Based on Social Circuits, we propose Circuit-Guided Deliberation (CGD), which learns to select useful messages using receiver activation changes. We establish when activation replacement preserves receiver decisions and bound the gap between CGD's task performance and the best achievable through message selection. Experiments show that receiver activation changes explain the message effects and guide message selection that improves the task performance. Across three models and four datasets, CGD achieves the highest or joint-highest average accuracy in our main comparisons while generating fewer tokens than multi-agent baselines.
• Abstract（参考訳）: 言語モデルエージェントは、証拠を組み合わせるためにメッセージを交換するが、それらのコミュニケーションは、共有エラーを強化するエコーチャンバーを作成することもできる。 しかし、全体的なタスクパフォーマンスは、メッセージが受信エージェントの内部アクティベーションをどのように変更し、その決定に影響を及ぼすかを説明していない。 本稿では,受信者のアクティベーションを通じてメッセージ効果をトレースするフレームワークであるSocial Circuitsを紹介する。 メッセージの変更前後で受信者の回答を比較します。 そして、元のメッセージで記録された選択されたアクティベーションを復元し、これらのアクティベーションがどれだけのメッセージ効果を再現するかを決定する。 ソーシャル・サーキットに基づいて、受信者のアクティベーション変更を用いて有用なメッセージを選択することを学習するサーキットガイド・デリバレーション(CGD)を提案する。 我々は、アクティベーション置換がレシーバ決定を保存し、CGDのタスク性能とメッセージ選択による最高の達成とのギャップを埋めるときに確立する。 実験の結果,受信者のアクティベーション変更によってメッセージ効果が説明され,タスク性能が向上した。 3つのモデルと4つのデータセットにまたがって、CGDは、マルチエージェントベースラインよりも少ないトークンを生成しながら、主要な比較において最高または最高平均精度を達成する。

関連論文リスト

• Good Agentic Friends Do Not Just Give Verbal Advice: They Can Update Your Weights [58.27172968382275]
  マルチエージェントLLMシステムは、通常自然言語メッセージを交換することで協調する。 送信者のメッセージを受信者のコンテキストに付加する代わりに、送信者の隠された状態を過渡的で受信者固有の重み摂動にコンパイルする。
  論文  参考訳（メタデータ） (2026-05-13T17:58:32Z)
• Learning to Interrupt in Language-based Multi-agent Communication [41.62604808881143]
  本稿では、現在話者を割り込むために耳を傾けているエージェントに対して、割り込み可能な通信フレームワークを提案する。 我々は,2エージェントテキストピクチャリーゲーム,3エージェントミーティングスケジューリング,3エージェント討論など,多エージェントシナリオにおけるフレームワークの評価を行った。 実験の結果,HANDRAISERは,タスク性能に優れたベースラインに比べて,通信コストを32.2%削減できることがわかった。
  論文  参考訳（メタデータ） (2026-04-07T20:47:40Z)
• 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)
• Teaching Human Behavior Improves Content Understanding Abilities Of LLMs [56.574610730939646]
  受信者の振る舞いに関するLLMのトレーニングは、コンテンツ理解能力の向上に役立つ。 この性能は、26のベンチマークデータセット上で46以上のビデオおよび画像理解タスクで向上する。 我々は、複数のプラットフォームから収集された750kの画像やビデオのレシーバ動作のクリーン化コメントやお気に入りを、インストラクションチューニングデータとともにリリースする。
  論文  参考訳（メタデータ） (2024-05-02T02:04:01Z)
• Large Content And Behavior Models To Understand, Simulate, And Optimize Content And Behavior [66.4024040742149]
  LLMのトレーニングコーパスでは、受信者の「行動トークン」、例えば、シェア、お気に入り、クリック、購入、リツイートを紹介し、受信者のコンテンツを最適化し、その振る舞いを予測する。 コンテンツ理解タスクにおけるLLMと同じような性能を示す以外に、トレーニングされたモデルでは、行動次元における一般化能力を示す。 これらのモデルをLCBM(Large Content and Behavior Models)と呼ぶ。
  論文  参考訳（メタデータ） (2023-09-01T09:34:49Z)
• Scalable Communication for Multi-Agent Reinforcement Learning via Transformer-Based Email Mechanism [9.607941773452925]
  コミュニケーションはマルチエージェント強化学習(MARL)における協調性を著しく向上させる 本稿では,部分的に観測されたタスクに対するMARL通信のスケーラビリティ問題に対処するための新しいフレームワークである Transformer-based Email Mechanism (TEM) を提案する。
  論文  参考訳（メタデータ） (2023-01-05T05:34:30Z)

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。