論文の概要: Collective Emergent Alignment: Measuring and Amplifying Interaction-Induced Reasoning Alignment in Multi-Agent LLMs

• arxiv url: http://arxiv.org/abs/2610.34836v1
• Date: Mon, 26 Oct 2026 04:31:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.747246
• Title: Collective Emergent Alignment: Measuring and Amplifying Interaction-Induced Reasoning Alignment in Multi-Agent LLMs
• Title（参考訳）: 集合的創発的アライメント:多エージェントLLMにおける相互作用誘起推論アライメントの測定と増幅
• Abstract要約: エージェント間相互作用が、一致した個人自己複製を超えて、追加の基準基底推論アライメントを発生させるかどうかを考察する。 本稿では,この効果をセマンティックカバーと相互作用特異的アライメントゲインを通じて定量化するフレームワークであるREMAPを紹介する。 本稿では,完全推論トレース交換をコンパクトかつギャップ認識,選択的ルーティング情報に置き換えるファクトレベルのマルチエージェント通信フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 16.787152500224177
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-agent large language model (LLM) systems can exhibit emergent behaviors through interaction, yet whether a similar phenomenon exists for reasoning alignment remains largely unexplored. We study whether agent interaction produces additional reference-grounded reasoning alignment beyond matched individual self-refinement, and introduce REMAP (Reference-Entailment-Matrix for Agentic Process), a framework that quantifies this effect through Semantic Coverage and interaction-specific alignment gains. Across diverse model families and two multi-hop reasoning benchmarks, we observe broadly positive interaction gains, particularly on reasoning content that depends on integrating evidence distributed across agents. These gains are consistently associated with independently measured peer-information recovery, while further analysis reveals composition-dependent heterogeneity effects and asymmetric information transfer across agent capability levels. Motivated by these findings, we further introduce a fact-level multi-agent communication framework that replaces full reasoning-trace exchange with compact, gap-aware, and selectively routed information. Our experiments show that compact fact exchange improves reasoning alignment and task performance while reducing communication overhead, whereas more selective communication exposes a trade-off between acquiring distributed information, retaining local content, and communication efficiency. Overall, our results show that collective emergent alignment can be quantified, linked to information-transfer patterns, and used to guide more effective multi-agent communication.
• Abstract（参考訳）: マルチエージェント・大規模言語モデル (LLM) システムは相互作用を通じて創発的な振る舞いを示すことができるが、推論アライメントに類似した現象が存在するかどうかは未解明のままである。 エージェント間相互作用が、一致した個別の自己精製を超えて追加の基準的推論アライメントを生成するかどうかを考察し、セマンティックカバレッジと相互作用固有のアライメントゲインを通じてこの効果を定量化するREMAP(Reference-Entailment-Matrix for Agentic Process)を導入する。 多様なモデルファミリーと2つのマルチホップ推論ベンチマークにおいて、エージェント間で分散された証拠の統合に依存するコンテンツの推論において、幅広い肯定的な相互作用の利得が観察される。 これらの利得は、独立に測定されたピア情報回復と一貫して関連付けられ、さらに分析により、構成に依存した不均一性効果とエージェント能力レベル間の非対称情報伝達が明らかになる。 これらの知見に触発されて、我々はさらにファクトレベルのマルチエージェント通信フレームワークを導入し、完全な推論とトレースの交換をコンパクトでギャップ対応で選択的にルーティングされた情報に置き換える。 実験の結果,コンパクトな事実交換は通信オーバーヘッドを減らしながら推論アライメントとタスク性能を向上させる一方,より選択的なコミュニケーションは,分散情報取得,ローカルコンテンツの保持,通信効率のトレードオフを露呈することがわかった。 以上の結果から,集団的創発的アライメントを定量化し,情報伝達パターンとリンクし,より効果的なマルチエージェント通信を導出できることが示唆された。

関連論文リスト

• Beyond Final Outcomes: Quantifying Claim-Level Information Dynamics in Multi-Agent LLM Interaction [23.468770302753793]
  クレームレベルの情報力学のようなインタラクションについて検討し、RIVERを提案する。 リバーは、エージェントの出力を原子的クレームに分解し、コンバージェンス、探索、保持の3つの相補的な次元を評価する。 以上の結果から,下降流の性能よりも,下降流機構により集団情報力学がよりよく説明できることが示唆された。
  論文  参考訳（メタデータ） (2026-10-23T08:28:47Z)
• AffectAgent: Collaborative Multi-Agent Reasoning for Retrieval-Augmented Multimodal Emotion Recognition [62.16431420189863]
  LLMに基づくマルチモーダル感情認識は静的なパラメトリックメモリに依存しており、ニュアンス化された感情状態の解釈時にしばしば幻覚を与える。 本稿では,感情指向型マルチエージェント検索拡張生成フレームワークであるAffectAgentを紹介する。 AffectAgentは3つの共同最適化されたエージェント、すなわちクエリプランナー、エビデンスフィルタ、感情生成器から構成される。
  論文  参考訳（メタデータ） (2026-04-14T13:49:19Z)
• Distributional Vision-Language Alignment by Cauchy-Schwarz Divergence [83.15764564701706]
  本稿では、コーシーシュワルツの発散を相互情報と統合して視覚言語アライメントを行う新しいフレームワークを提案する。 CS分散はInfoNCEのアライメント・ユニフォーム性競合にシームレスに対処し,InfoNCEと補完的な役割を担っていることがわかった。 テキスト・画像生成およびモダリティ横断検索タスクの実験により,本手法が視覚言語アライメントに与える影響を実証した。
  論文  参考訳（メタデータ） (2025-02-24T10:29:15Z)
• Problem-Solving in Language Model Networks [44.99833362998488]
  この研究は、マルチエージェント論争の概念をより一般的なネットワークトポロジに拡張する。 質問応答の正確さ、影響、コンセンサス、および集団に対する偏見の影響を測定する。
  論文  参考訳（メタデータ） (2024-06-18T07:59:14Z)
• AntEval: Evaluation of Social Interaction Competencies in LLM-Driven Agents [65.16893197330589]
  大規模言語モデル(LLM)は、幅広いシナリオで人間の振る舞いを再現する能力を示した。 しかし、複雑なマルチ文字のソーシャルインタラクションを扱う能力については、まだ完全には研究されていない。 本稿では,新しいインタラクションフレームワークと評価手法を含むマルチエージェントインタラクション評価フレームワーク(AntEval)を紹介する。
  論文  参考訳（メタデータ） (2024-01-12T11:18:00Z)
• Re-mine, Learn and Reason: Exploring the Cross-modal Semantic Correlations for Language-guided HOI detection [57.13665112065285]
  ヒューマンオブジェクトインタラクション(HOI)検出は、コンピュータビジョンの課題である。 本稿では,構造化テキスト知識を組み込んだHOI検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-25T14:20:52Z)
• Interpretability Guarantees with Merlin-Arthur Classifiers [21.55030847779525]
  本稿では,ニューラルネットワークのような複雑なエージェントに対しても,証明可能な解釈可能性保証を提供する対話型マルチエージェント分類器を提案する。 この結果はInteractive Proof SystemsのMerlin-Arthurプロトコルにインスパイアされている。
  論文  参考訳（メタデータ） (2022-06-01T20:48:24Z)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)

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。