論文の概要: Network topology shapes consensus and vulnerability in LLM populations

• arxiv url: http://arxiv.org/abs/2610.31165v1
• Date: Thu, 22 Oct 2026 12:22:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.37135
• Title: Network topology shapes consensus and vulnerability in LLM populations
• Title（参考訳）: LLM集団におけるネットワークトポロジのコンセンサスと脆弱性
• Abstract要約: LLM集団におけるコンベンション形成の研究は、主によく混合された相互作用を試験してきた。 トポロジーは、コンセンサスが急速に現れること、それが全く現れるかどうか、そしてまれに、どのコンベンションが勝つかに影響を及ぼす。 我々は、確立された慣習を覆すために必要なコミットエージェントの臨界質量を測定する。
• 参考スコア（独自算出の注目度）: 0.0815557531820863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As large language models (LLMs) are deployed in interacting populations, their collective behaviour depends not only on the models but also on who interacts with whom. Studies of convention formation in LLM populations have mainly tested well-mixed interactions. We place policies extracted from four LLMs on fully connected, random regular, and heterogeneous networks, with $10^3$ to $10^5$ agents playing the naming game. Topology affects how quickly consensus emerges, sometimes whether it emerges at all, and, in rare cases, which convention wins. Sparsest networks slow consensus up to twelvefold. Yet, by preserving correlations between persistent neighbours, they restore consensus in some cases that fail to converge under well-mixed interactions. Networks also govern vulnerability to adversarial attack. We measure the critical mass of committed agents needed to overturn an established convention. Tipping thresholds follow the same ordering across models and conditions: hubs $\leq$ random $\leq$ low-degree nodes. On the most heterogeneous topology, median critical masses are 3%, 16%, and 35%, respectively; targeting hubs requires one-sixth as many committed agents as random placement. For most models, networked populations are easier to tip than well-mixed ones, so well-mixed estimates can overstate robustness. Assessing the safety of multi-agent AI requires mapping who interacts with whom.
• Abstract（参考訳）: 大きな言語モデル(LLM)が相互作用する集団にデプロイされるため、それらの集団的振る舞いはモデルだけでなく、誰が誰と相互作用するかにも依存する。 LLM集団におけるコンベンション形成の研究は、主によく混合された相互作用を試験してきた。 完全連結,ランダムレギュラー,異種ネットワーク上の4つのLCMから抽出したポリシーを10^3$から10^5$のエージェントで命名する。 トポロジーは、コンセンサスが急速に現れること、それが全く現れるかどうか、そしてまれに、どのコンベンションが勝つかに影響を及ぼす。 スパムネットワークはコンセンサスを12倍に遅くする。 しかし、永続的な隣人間の相関を保つことによって、よく混合された相互作用の下で収束できない場合において、コンセンサスを回復する。 ネットワークは敵攻撃に対する脆弱性も支配する。 我々は、確立された慣習を覆すために必要なコミットエージェントの臨界質量を測定する。 タイピングしきい値は、モデルと条件間で同じ順序に従う: Hubs $\leq$ random $\leq$ low-degree node。 最も異質なトポロジーでは、中央の臨界質量はそれぞれ3%、16%、35%であり、標的のハブはランダムな配置として、多くのコミットエージェントの6分の1を必要とする。 ほとんどのモデルでは、ネットワーク化された個体群は、よく混ざった個体よりもチップがしやすいため、よく混在している個体群は頑丈さを誇張することができる。 マルチエージェントAIの安全性を評価するには、誰と対話するかをマッピングする必要がある。

関連論文リスト

• Drivers of LLM Consensus Formation Under Competing Incentives: A Simulation Study [1.299941371793082]
  大規模言語モデル(LLM)は、一致した合意を生み出すマルチエージェント環境にますますデプロイされている。 本稿では,Network Consensus ゲームを用いて,このプロセスの動作メカニズムを評価する。 通信アクセスやネットワーク構造などのコンポーネントに違いがあり、6つのオープンソースモデルと1つのクローズドモデルを評価する。
  論文  参考訳（メタデータ） (2026-10-14T13:46:42Z)
• Coherence-Driven Belief Formation and Population Dynamics of Contagion in LLM Agents [0.0]
  我々は,言語モデルエージェントにおける信念の採用を計測し,エージェントが主張を採用する確率を定量化する。 我々は,AIエージェントのシステムにおける信念導入の集団的ダイナミクスにおいて,複雑な伝染の特徴を観察する。
  論文  参考訳（メタデータ） (2026-10-02T01:20:52Z)
• ANet Patu-1: The Value of Connection in the Agent Network [8.673153327185032]
  我々は、AIエージェントのネットワークについて類似した質問をする。 我々は、接続のネット値を協調グループサイズの関数としてモデル化する。 自己組織化コンセンサスプロトコルであるANet Patu-1を紹介する。
  論文  参考訳（メタデータ） (2026-07-16T14:31:15Z)
• Social Networks of LLM Agents [35.37126280179998]
  LLMエージェントの注意力の制限は、被曝した情報の一部に限られていることが示されるので、これらのモデルは、集団が実際にどれだけの情報をプールし、群れから真にコンセンサスを知ることができないかを誇張する。 SNLAは、ネットワークの接続方法だけでなく、各エージェントが実際に与える影響をモデル化するフレームワークである。 被曝グラフが非直交かつ次数正則である場合にのみ、有効サンプルサイズが人口数によらず束縛されたままであり、広義の注意は、群集の知恵を回復させる。
  論文  参考訳（メタデータ） (2026-07-04T03:59:08Z)
• Modeling Random Networks with Heterogeneous Reciprocity [9.630755176298056]
  成長するソーシャルネットワークにおける多様な相互行動のモデル化手法を開発する。 本稿では,人気ユーザに対するアトラクションを模倣した異種相互性を持つ優先アタッチメントモデルを提案する。 提案手法を,不均一な相互行動パターンを持つFacebookのウォールポストネットワークの解析に適用する。
  論文  参考訳（メタデータ） (2023-08-19T21:21:25Z)
• Optimal Clustering with Bandit Feedback [57.672609011609886]
  本稿では,バンディットフィードバックを用いたオンラインクラスタリングの問題点について考察する。 これは、NPハード重み付きクラスタリング問題をサブルーチンとして解決する必要性を回避するための、シーケンシャルなテストのための新しい停止規則を含む。 合成および実世界のデータセットの広範なシミュレーションを通して、BOCの性能は下界と一致し、非適応的ベースラインアルゴリズムよりも大幅に優れることを示す。
  論文  参考訳（メタデータ） (2022-02-09T06:05:05Z)
• Robustness Certificates for Implicit Neural Networks: A Mixed Monotone Contractive Approach [60.67748036747221]
  暗黙のニューラルネットワークは、競合性能とメモリ消費の削減を提供する。 入力逆流の摂動に関して、それらは不安定なままである。 本稿では,暗黙的ニューラルネットワークのロバスト性検証のための理論的および計算的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-10T03:08:55Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Towards Defending Multiple $\ell_p$-norm Bounded Adversarial Perturbations via Gated Batch Normalization [120.99395850108422]
  既存の敵防衛は、個々の摂動に対するモデル堅牢性を改善するのが一般的である。 最近の手法では、複数の$ell_p$球における敵攻撃に対するモデルロバスト性を改善するが、各摂動型に対するそれらの性能は、まだ十分ではない。 我々は,複数の$ell_pの有界摂動を守るために,摂動不変予測器を逆向きに訓練するGated Batch Normalization (GBN)を提案する。
  論文  参考訳（メタデータ） (2020-12-03T02:26:01Z)
• A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning [52.83948119677194]
  大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。 具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。 提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
  論文  参考訳（メタデータ） (2020-07-19T22:50:20Z)
• Detecting Communities in Heterogeneous Multi-Relational Networks:A Message Passing based Approach [89.19237792558687]
  コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。 我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-06T17:36:24Z)

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。