論文の概要: Prompted Identity Degrades Cooperation in Multi-Agent LLM Systems

• arxiv url: http://arxiv.org/abs/2609.35928v1
• Date: Mon, 28 Sep 2026 14:02:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.895738
• Title: Prompted Identity Degrades Cooperation in Multi-Agent LLM Systems
• Title（参考訳）: Prompted IdentityはマルチエージェントLLMシステムにおける協調性を低下させる
• Abstract要約: エージェントが互いのモデルファミリを認識している場合、グループをクラスタに分割し、エージェントが同じラベルを持つ他のエージェントと対話することを好むことを示す。 我々は,この現象を,最大5つのオープンウェイトモデルファミリーから引き出された9～25個のエージェントを用いて,2つの協調ゲームと推論ベンチマークで示し,評価した。
• 参考スコア（独自算出の注目度）: 10.977440059185428
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Multi-agent LLM systems increasingly mix models from several providers, yet exposing each agent's underlying model identity to its peers significantly impairs cooperation. We show that when agents are aware of each other's model family, the group splits into clusters, where agents prefer interacting with others carrying their same label, although nothing in the task rewards or asks for such a split. We argue that the label itself causes this split, which we define as $\textit{factionalism}$. We show and measure this phenomenon in two cooperative games and on a reasoning benchmark, with nine to twenty-five agents drawn from up to five open-weight model families. We further show that when the announced families are shuffled, or replaced by arbitrary labels, the factions still follow this information; when the label is removed, this behavior disappears. In strictly cooperative tasks, labeled groups spend on average $30\%$ more rounds and $55\%$ more tokens to reach a decision, and their success rate drops from $96\%$ to $81\%$. The effect replicates across tasks, group sizes and model families. Withholding identity labels from the agents is simple and effective mitigation.
• Abstract（参考訳）: マルチエージェントLLMシステムは、複数のプロバイダからモデルが混在する傾向にあるが、各エージェントの基盤となるモデルアイデンティティをピアに公開することは、協力を著しく損なう。 エージェントが互いのモデルファミリを認識している場合、エージェントはクラスタに分割し、エージェントは同じラベルを持つ他のエージェントと対話することを好む。 ラベル自体がこの分割を引き起こし、$\textit{factionalism}$と定義します。 我々は,この現象を,最大5つのオープンウェイトモデルファミリーから引き出された9～25個のエージェントを用いて,2つの協調ゲームと推論ベンチマークで示し,評価した。 さらに、発表された家族がシャッフルされたり、任意のラベルに置き換えられたりすると、派閥は依然としてこの情報に従います。 厳密な協調作業では、ラベル付きグループは決定に達するために平均30\%のラウンドと55\%のトークンに費やし、成功率は9.6\%のラウンドから8.1\%のラウンドに減少する。 この効果はタスク、グループサイズ、モデルファミリーにまたがって複製される。 エージェントからのIDラベルの保持は単純で効果的な緩和である。

関連論文リスト

• LLMs Trust Their Own: Identity-Dependent Conformity in Multi-Agent Systems [11.404431115724085]
  大規模言語モデルの応答が他のエージェントの社会的アイデンティティに依存するかどうかを検討する。 グループアイデンティティの双方向効果が、誤った回答への適合性に与える影響を見いだす。 コンセンサスを急激に破る人間とは異なり、モデルは多数派の同盟者によって動かされない。
  論文  参考訳（メタデータ） (2026-09-27T12:02:18Z)
• Learning Sexism Detection Using Multi-Agent Perspectivist Preference Optimization [2.847926901118454]
  マルチエージェント・パースペクティビスト・パラメータ最適化フレームワークを提案する。 ラベル付き英語とスペイン語のつぶやきのEXIST 2024データセットでは、まずアノテータをラベル付け動作によってクラスタリングする。 それぞれのエージェントを、自身のクラスタのラベルだけにトレーニングすることで、エージェントが表現すべきクラスタをはるかに超越していることを示す。
  論文  参考訳（メタデータ） (2026-08-04T11:35:30Z)
• Agents that Matter: Optimizing Multi-Agent LLMs via Removal-Based Attribution [21.301961149692453]
  エージェント属性を協調ゲームとして形式化し、連立分布、削除プロトコル、ターゲットメトリックによってパラメータ化する。 そこで,LOO(Leave-One-Out)はボトルネックエージェントをボトルネック手法として効果的に識別するが,計算コストのごく一部に留まることを示す。 また、診断精度と倫理的行動に対するエージェントの貢献がしばしば分離されることを明らかにするため、医療MASの監査に我々の枠組みを適用した。
  論文  参考訳（メタデータ） (2026-05-26T19:39:27Z)
• Interaction Theater: A case of LLM Agents Interacting at Scale [2.815604016712184]
  私たちは、AIエージェントのみのソーシャルプラットフォームであるMoltbookのデータを、800万の投稿、3.5万のコメント、78万のエージェントプロファイルで使用しています。 以上の結果から, エージェントは多種多様で整形されたテキストを生成し, 活発な議論を表面的に生み出すが, 物質はほとんど欠落していることが明らかとなった。
  論文  参考訳（メタデータ） (2026-02-23T17:14:29Z)
• On the Resilience of LLM-Based Multi-Agent Collaboration with Faulty Agents [58.79302663733703]
  大規模言語モデルに基づくマルチエージェントシステムは、専門家エージェントの協力により、様々なタスクにまたがる優れた能力を示している。 不器用なエージェントや悪意のあるエージェントが与える影響 - システム全体のパフォーマンスにおいて、頻繁にタスクでエラーを犯すものは、いまだに過小評価されていない。 本稿では,下流タスクにおける障害要因下での各種システム構造のレジリエンスについて検討する。
  論文  参考訳（メタデータ） (2024-08-02T03:25:20Z)
• AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors [93.38830440346783]
  本稿では,その構成をより高機能なシステムとして協調的に調整できるマルチエージェントフレームワークを提案する。 実験により,フレームワークが単一エージェントより優れたマルチエージェントグループを効果的に展開できることが実証された。 これらの振舞いの観点から、我々は、ポジティブなものを活用し、ネガティブなものを緩和し、マルチエージェントグループの協調可能性を改善するためのいくつかの戦略について議論する。
  論文  参考訳（メタデータ） (2023-08-21T16:47:11Z)
• Group-aware Label Transfer for Domain Adaptive Person Re-identification [179.816105255584]
  Unsupervised Adaptive Domain (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインデータセットで訓練されたモデルを、さらなるアノテーションなしでターゲットドメインデータセットに適応することを目的としている。 最も成功したUDA-ReIDアプローチは、クラスタリングに基づく擬似ラベル予測と表現学習を組み合わせて、2つのステップを交互に実行する。 疑似ラベル予測と表現学習のオンラインインタラクションと相互促進を可能にするグループ認識ラベル転送(GLT)アルゴリズムを提案します。
  論文  参考訳（メタデータ） (2021-03-23T07:57:39Z)
• BGC: Multi-Agent Group Belief with Graph Clustering [1.9949730506194252]
  エージェントがコミュニケーションなしで情報を交換できる半通信方式を提案する。 近接するエージェントを小さなグループに分割し,グループ内のエージェントの信念を最小化するグループベースのモジュールを提案する。 その結果,提案手法はSMACベンチマークの大幅な改善を実現していることがわかった。
  論文  参考訳（メタデータ） (2020-08-20T07:07:20Z)

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。