論文の概要: Do "True" and "False" Add Up to One? Complement Consistency in LLM-Agent Opinion Simulations
- arxiv url: http://arxiv.org/abs/2610.32874v1
- Date: Fri, 23 Oct 2026 16:44:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.610424
- Title: Do "True" and "False" Add Up to One? Complement Consistency in LLM-Agent Opinion Simulations
- Title（参考訳）: トルー」と「偽」は1つ加えるか? LLM-Agent Opinion Simulationにおける補足整合性
- Abstract要約: LLM-エージェントの意見シミュレーションは、クレームの妥当性をテストするために使用される。
2つの報告を1にまとめると、同じ意味のパラフレーズによって生じる変化の2倍から10倍の差が現れる。
ペアの回答を補完して各回答を平均化すると、構築による一貫性が回復し、ブリアの損失は2つの単語で平均される。
- 参考スコア（独自算出の注目度）: 2.8038382295783943
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In LLM-agent opinion simulations, each agent reports the probability that a claim is true after seeing its own previous probability and the probabilities reported by its neighbors, and that number becomes its state in the next round. If the number describes the agent's position rather than the sentence it was shown, then rewriting the claim as its complement and replacing every probability p with 1 - p should return the complementary answer, so the two reports should sum to one. We test this with three small open models: Qwen3-4B, Llama-3.2-3B and Gemma-3-4B. On 2,304 agent states taken from a running network simulation, Qwen's paired reports sum to 1.18 on average, and on 48 real fact-checking claims from AVeriTeC they again exceed one. A controlled benchmark of 24 worlds, each with exactly two possible outcomes, shows the same failure in all three models. The discrepancy is two to ten times larger than the change produced by a same-meaning paraphrase, and it persists under repeated sampling and across peer group sizes and report strengths. When the reports are fed back into two populations that start from complementary states, the populations do not remain mirror images: their divergence is positive after five rounds for every model. Averaging each answer with the complement of its paired answer restores consistency by construction and lowers Brier loss averaged over the two wordings, but at the final round it beats the better of the two original wordings for only one of the three models. A schedule-by-targeting experiment on the same model gives a small, stable interaction because such sweeps keep the claim wording fixed. Consistency under rewording therefore needs its own test before simulated probabilities are read as beliefs
- Abstract（参考訳）: LLM-Adntの意見シミュレーションでは、各エージェントは、自分の前の確率と隣人が報告した確率を見てクレームが真である確率を報告し、その数は次のラウンドでその状態になる。
数字が示される文ではなくエージェントの位置を記述しているなら、クレームを補足として書き直し、すべての確率 p を 1 - p に置き換えるには補足的な答えを返す必要があるので、2つのレポートは1にまとめるべきである。
我々は、Qwen3-4B、Llama-3.2-3B、Gemma-3-4Bの3つの小さなオープンモデルでこれを検証した。
実行中のネットワークシミュレーションから得られた2,304件のエージェントステートでは、Qwenのペアレポートは平均で1.18件、AVeriTeCの48件の事実チェッククレームでは再び1件を超えた。
正確に2つの可能な結果を持つ24の世界の制御されたベンチマークは、3つのモデルすべてで同じ失敗を示している。
相違は、同じ意味のパラフレーズによって生じる変化の2倍から10倍の大きさであり、繰り返しサンプリングされ、ピアグループサイズにまたがって持続し、レポート強度を報告する。
報告が相補的な状態から始まる2つの人口にフィードバックされると、人口はミラー画像に残らない。
ペアの解答を補足して各解を平均すると、構成によって一貫性が回復し、2つの語で平均されたブライア損失が低下するが、最終ラウンドでは3つのモデルのうちの1つのみが元の2つの語より優れている。
同じモデルにおけるスケジュール・バイ・ターゲットの実験は、クレームの語句を固定し続けるため、小さな安定した相互作用を与える。
したがって、リワードの下での一貫性は、シミュレートされた確率が信念として読まれる前に、独自のテストが必要である。
関連論文リスト
- ReDiS: Reasoning-Diagnosis Self-Evolution for Multimodal Reasoning in Remote Sensing [53.65780048695954]
我々は、推論探索と候補評価を分離するフレームワークである textbfReasoning-Diagnosis-Self-Evolution (ReDiS) を導入する。
多様な視覚的証拠を探索するtextbfReasoner と、完全な候補セットを共同で評価する textbfDiagnoser である。
LHRS-Bench, MME-RS, CHOICEの実験では、Qwen3.5バックボーンを0.8B, 2B, 4Bスケールで一貫した改善が見られた。
論文 参考訳（メタデータ） (2026-10-13T13:38:02Z) - Anatomy of LLM Sycophancy: What a Flip Rate Hides [3.7193230342956056]
我々は,SycoLensを用いてユーザプレッシャと評価設定のフリップ率の測定方法を検証する。
各測定は、アイテムの1つのステートレスリプレイ、コミットされた回答、および1つのスクリプト化されたユーザラインを固定形式で保持する。
論文 参考訳（メタデータ） (2026-10-05T15:32:45Z) - Two-Sample Testing via Path-based Inference [54.590623065123076]
2サンプルテストは、同じ分布が2つの有限データセットを生成するかどうかを決定する問題である。
補間子を用いて、両分布を共有ガウスボトルネックに接続する。
ゼロ仮説は、集団が、または同等に、2つのハーフの速度場が、任意のノイズレベルに一致する場合にのみ成立することを示す。
論文 参考訳（メタデータ） (2026-10-05T01:56:28Z) - Bayesian Belief Layer for Controllable Opinion Dynamics in LLM Agents [3.8192008039287226]
ベイズ年代記エージェント (Bayesian Chronicle Agents, BCA) は、エージェントがどのように話すかから何を信じるのかを分離する最小限の信念層である。
1つの事前強度パラメータ$$は、Friedkin-Johnsen(FJ)の意見力学での役割をモデルに、スタバボーン性をエンコードする。
所定の$が言語ラウンドトリップ後に回復可能であることを示す。
論文 参考訳（メタデータ） (2026-09-18T16:57:14Z) - Message capacity and claim wording set the transition points of collective truth-finding in language-model networks [0.0]
集合の運命は、クレームのワードセットのしきい値と、遷移点を設定するメッセージキャパシティの2つの単一エージェント測定によって決定される。
論文 参考訳（メタデータ） (2026-09-15T14:46:31Z) - Measuring Reward Hacking and Reasoning-Answer Decoupling Under Position-Confounded Optimization [1.1316247605466565]
正解が常にオプションAである数学問題に対してGRPOを用いて言語モデルを訓練し、不偏解位置を持つ未知のテストセットで評価する。
Qwen2.5、Llama 3.x、Gemma-3のモデルでは、より小さなモデルではオプションAレートが0.90を超えている。
有能なモデルは、Aを選択しながら正しい数値解に到達した推論を生成する。
論文 参考訳（メタデータ） (2026-08-15T23:13:57Z) - What Iterated Self-Feeding Probes of Language Models Measure, and a test that separates the construction from the model [0.0]
メソッドのクラスは、独自の出力を与えて言語モデルを探索する。
我々は、その問題を鋭くするために選ばれた工事において、そのような調査がどう対処するかを尋ねる。
答えは、見た目が似ている読書において、一度に2つの異なるものを測定することだ。
論文 参考訳（メタデータ） (2026-08-11T14:40:35Z) - Do Synthetic Personas Predict Real Audience Response? A Sim-to-Real Study Where a No-Persona Baseline Beats Persona-Based Copy Simulation [51.56484100374058]
そこで我々は,Upworthy Research Archiveを用いて,シミュレート・トゥ・リアルな妥当性について検討する。
実際の聴衆の人口統計に基づく10人のパネルと、一般的な読者がクリックする確率をモデルに尋ねるゼロショットベースラインを比較した。
論文 参考訳（メタデータ） (2026-07-27T17:03:03Z) - Reconciling Individual Probability Forecasts [78.0074061846588]
データに同意する2つの当事者は、個々の確率をモデル化する方法に異を唱えることができない。
個々の確率は不可知であるが、計算的かつデータ効率のよいプロセスで競合できると結論付ける。
論文 参考訳（メタデータ） (2022-09-04T20:20:35Z) - AvgOut: A Simple Output-Probability Measure to Eliminate Dull Responses [97.50616524350123]
機能エンジニアリングなしで、どの発話やトークンが退屈であるかを動的に認識する対話モデルを構築します。
最初のモデルMinAvgOutは、各バッチの出力分布を通して、ダイバーシティスコアを直接最大化する。
第2のモデルであるラベルファインチューニング(LFT)は、多様性スコアによって連続的にスケールされたラベルをソースシーケンスにプリペイドし、多様性レベルを制御する。
3つ目のモデルであるRLは強化学習を採用し、多様性スコアを報奨信号として扱う。
論文 参考訳（メタデータ） (2020-01-15T18:32:06Z)
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。