論文の概要: Multi-agent discussion gains less when dissent is withheld

• arxiv url: http://arxiv.org/abs/2609.38324v1
• Date: Tue, 29 Sep 2026 18:00:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.553744
• Title: Multi-agent discussion gains less when dissent is withheld
• Title（参考訳）: マルチエージェントの議論は、不満を抱くとより少なくなる
• Abstract要約: LLMのマルチエージェントシステムは多数決に議論を加える。 議論が正確性を改善するか、誤った合意につながるか、という経験的報告。 本稿では,議論がいつ精度を向上し,いつ結果が誤ったコンセンサスで終わるかを記述した擬似モデルを提案する。
• 参考スコア（独自算出の注目度）: 5.042872038305859
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-agent systems of LLMs add discussion to majority voting and are therefore expected to be more capable. However, empirical reports conflict on whether discussion improves accuracy or leads to an incorrect consensus. Here, we introduce a parsimonious model that explains when discussion improves accuracy and when it ends in an incorrect consensus, built from four behaviors repeatedly observed in LLM agents: (1) withholding dissent, (2) internalizing a stated answer, (3) reconsidering after seeing dissent, and (4) correcting toward the correct answer. The model shows that discussion can overturn an incorrect initial majority only when the withholding rate $c$ is below a critical rate $c^* = γ/(γ+ a)$, set by the net correction rate $γ$ and the internalization rate $a$. We estimate these rates from conversation logs with a Bayesian method and place LLM teams relative to $c^*$. As the model predicts, the gain from discussion shrinks as withholding rises, across LLMs and on a hidden profile benchmark, HiddenBench, and MedEInst. Instructing agents not to withhold dissent increases this gain. Turning reasoning off also increases the gain, because reasoning raises the internalization rate $a$ and keeps agents from reconsidering a minority answer. These findings reconcile the conflicting reports and identify when discussion outperforms majority voting.
• Abstract（参考訳）: LLMのマルチエージェントシステムは多数決に議論を加えるため、より有能であることが期待されている。 しかし、実験報告では、議論が正確性を改善するか、誤った合意につながるかが矛盾している。 そこで本研究では,LLMエージェントで繰り返し観察される4つの行動から構築された,(1)反感を抱くこと,(2)反感を抱くこと,(3)反感を見た後に再考すること,(4)正解に対する補正である。 このモデルでは、保留率$c$が臨界レート$c^* = γ/(γ+ a)$未満で、純補正レート$γ$と内部化レート$a$で設定された場合にのみ、議論が不正な初期多数派を覆すことが示される。 ベイズ法を用いて会話ログからこれらのレートを推定し,$c^*$に対してLLMチームを配置する。 モデルが予測すると、LLMと隠れたプロファイルベンチマークであるHiddenBenchとMedEInstで、議論が高まり続けるにつれて、議論から得られる利益は減少する。 不満を抱かないよう指示するエージェントは、この利益を増大させる。 推論をオフにすることは、推論が内部化率を$a$上げ、エージェントが少数派の答えを再考しないようにするため、利益も増加する。 これらの結果は、対立する報告を整理し、議論が多数決に勝るかどうかを識別する。

関連論文リスト

• Beyond Symmetric Agents: Cognitive Diversity and Multi-Agent Debate in Small Language Models [0.0]
  マルチエージェント論争(MAD)は、単一モデル推論よりも推論と事実性を改善すると伝えられている。 エージェント間の認知的多様性がドライバである、という仮説を、質問がまだ測定可能な場所で検証する。
  論文  参考訳（メタデータ） (2026-09-26T19:38:16Z)
• REIN: Bridging the Gap between Reasoning and Reliability via Reflection and Abstention Alignment [35.47736821237044]
  大規模な推論モデル(LRM)は幻覚を起こしやすいため、信頼性が損なわれ、安全な配置の課題が生じる。 構造的推論シーケンスを生成するためにLEMをトレーニングするアライメントフレームワークであるREINを提案する。 REINは、サンプル化された推論鎖のどれにも正しい答えが得られない場合、明示的な棄権を促す報酬機構を導入する。
  論文  参考訳（メタデータ） (2026-08-08T05:37:13Z)
• The Cost of Consensus: Isolated Self-Correction Prevails Over Unguided Homogeneous Multi-Agent Debate [5.51170856062205]
  2つの高拡散度ベンチマークにおいて、R=3$の討論ラウンドで均質なエージェントのチームについて検討する。 我々は、議論の失敗を3つのモデル依存の経路に分解する: サイコファン的整合性、ピア論理、コンセンサス崩壊。 その結果,7-8B パラメータクラスでは,構造的役割を持たない同種チームが非誘導的ピア交換の恩恵を受けないことが示唆された。
  論文  参考訳（メタデータ） (2026-04-29T14:33:57Z)
• Thinking Fast, Thinking Wrong: Intuitiveness Modulates LLM Counterfactual Reasoning in Policy Evaluation [0.0]
  大規模言語モデル (LLM) は因果推論や反ファクト推論にますます利用されているが、現実の政策評価における信頼性はいまだ未定である。 経済・社会科学から引き出された40の実証的政策評価事例のベンチマークを構築した。 混合効果のロジスティック回帰を用いて結果を分析する。
  論文  参考訳（メタデータ） (2026-04-12T08:00:38Z)
• Echoing: Identity Failures when LLM Agents Talk to Each Other [29.84830992033132]
  大規模言語モデル(LLM)ベースのエージェントは、相互に自律的に相互作用する。 人間とエージェントの相互作用とは異なり、AxAはそのような安定化シグナルを欠いている。 エージェントは割り当てられた役割を放棄し、代わりに会話相手を反映する。
  論文  参考訳（メタデータ） (2025-11-12T20:17:10Z)
• Your AI, Not Your View: The Bias of LLMs in Investment Analysis [62.388554963415906]
  金融において、Large Language Models (LLMs) は、事前訓練されたパラメトリック知識とリアルタイム市場データとの相違から生じる、頻繁な知識紛争に直面している。 これらの対立は、モデル固有のバイアスが制度的目的と誤認される現実世界の投資サービスにおいて特に問題となる。 本研究では,このような紛争シナリオにおける創発的行動を調べるための実験的枠組みを提案し,投資分析におけるバイアスの定量的分析を行う。
  論文  参考訳（メタデータ） (2025-07-28T16:09:38Z)
• Mind the Gap: A Causal Perspective on Bias Amplification in Prediction & Decision-Making [58.06306331390586]
  本稿では,閾値演算による予測値がS$変化の程度を測るマージン補数の概念を導入する。 適切な因果仮定の下では、予測スコア$S$に対する$X$の影響は、真の結果$Y$に対する$X$の影響に等しいことを示す。
  論文  参考訳（メタデータ） (2024-05-24T11:22:19Z)
• Near-Optimal Regret for Adversarial MDP with Delayed Bandit Feedback [67.63049551992816]
  エピソードマルコフ決定過程(MDP)におけるオンライン学習について検討した。 ほぼ最適の$sqrtK + D$ regret, where $K$ is the number of episodes, $D = sum_k=1K dk$ is the total delay。
  論文  参考訳（メタデータ） (2022-01-31T12:34:26Z)

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。