論文の概要: Network Topology Does Not Matter: The Breakdown of Classical Consensus in LLM Populations

• arxiv url: http://arxiv.org/abs/2610.37699v1
• Date: Sat, 24 Oct 2026 20:11:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.883949
• Title: Network Topology Does Not Matter: The Breakdown of Classical Consensus in LLM Populations
• Title（参考訳）: ネットワークトポロジは重要ではない - LLM人口における古典的合意の崩壊
• Abstract要約: 大規模言語モデル(LLM)では分散コンセンサス理論が失敗することを示す。 その結果,LLMは観察された意見の包みの外側を更新することにより,凸性に体系的に違反することがわかった。 以上の結果から,マルチエージェントの熟考が集団妄想を予測的に飽和させる重大な展開リスクが浮かび上がった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As multi-agent language model networks become widely deployed, predicting their collective behavior is a critical challenge. Classical distributed consensus theory relies on network topology to predict convergence, structurally assuming that agent updates are convex combinations, population means are conserved, and weights are content-independent. In this work, we demonstrate that these foundational assumptions fail for large language models (LLMs). By deterministically extracting continuous credence from token-level probabilities across eight instruction-tuned models and 73,080 controlled exchanges, we directly measure the empirical LLM update operator. We find that LLMs systematically violate convexity by updating outside the hull of observed opinions, exhibiting active repulsion (negative weights) that fundamentally breaks row-stochastic modeling and standard bounded-confidence repairs. Scaling these empirically fitted operators to simulations of 10,000 agents reveals that algebraic connectivity explains almost none of the final outcome variance. Instead, population dynamics are governed entirely by the model's internal update bias and message framing. Consequently, populations of several models, including those with up to 7B parameters, reliably compound small local drifts to reach confident agreement on objectively false claims regardless of their network structure. Our results prove that classical graph-theoretic metrics are inadequate for LLM populations, highlighting a profound deployment risk where multi-agent deliberation predictably saturates in collective delusion.
• Abstract（参考訳）: マルチエージェント言語モデルネットワークが広く展開されるにつれて、それらの集団行動を予測することが重要な課題である。 古典的な分散コンセンサス理論は収束を予測するためにネットワークトポロジーに依存しており、エージェント更新が凸結合であり、集団平均は保存され、重みは内容に依存しないと仮定している。 本研究では,これらの基礎的仮定が大規模言語モデル(LLM)で失敗することを実証する。 8つの命令調整されたモデルと73,080の制御された交換器のトークンレベルの確率から連続的信頼度を決定的に抽出することにより、経験的LLM更新演算子を直接測定する。 LLMは観察された意見の殻の外側を更新し、行確率モデリングと標準有界信頼修復を根本的に破壊するアクティブな反発(負の重み)を示すことにより、体系的に凸性に反する。 経験的に適合した演算子を10,000のエージェントのシミュレーションにスケールすると、代数的接続性はほとんど最終結果のばらつきを説明できないことが分かる。 その代わり、人口動態はモデルの内部更新バイアスとメッセージフレーミングによって完全に支配される。 その結果、最大7Bパラメータを持つモデルを含むいくつかのモデルの人口は、ネットワーク構造に関係なく、客観的に偽のクレームに関する確実な合意に達するために、確実に小さな局所的なドリフトを合成した。 以上の結果から,従来のグラフ理論の指標がLLMの人口に不適切であることを証明し,マルチエージェントの熟考が集団妄想を予測的に飽和させる重大な展開リスクを浮き彫りにした。

関連論文リスト

• 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)
• Wisdom of LLM Crowds: Aggregation and Contamination in Language Model Ensembles [0.0]
  集団の知恵 — 個人間での集団判断が、最高の個人を上回ることがしばしばある — は、ヒトの予測者によって広く研究されている。 15の大規模言語モデル (LLM) から254のバイナリ予測市場質問に対して確率推定を行った。 LLMの精度は大幅に低下し、集団情報収集の真のギャップが示唆された。
  論文  参考訳（メタデータ） (2026-05-26T16:07:01Z)
• On Predicting the Post-training Potential of Pre-trained LLMs [60.07459271263409]
  本稿では,ポストトレーニング前のベースモデルの性能予測という,ポストトレーニング後の潜在能力を予測するための新しいタスクを紹介する。 本稿では,応答判別を活用することで,ベースモデルの生成ギャップを回避できる統一フレームワークであるRuDEを提案する。 実験では、トレーニング後のパフォーマンスと90%以上の相関を示す。
  論文  参考訳（メタデータ） (2026-05-12T11:33:49Z)
• Seirênes: Adversarial Self-Play with Evolving Distractions for LLM Reasoning [56.48520300004217]
  本稿では、文脈干渉を内部の訓練信号に変換するセルフプレイのRLフレームワークであるSeyrnesを紹介する。 単一のモデルでは、可視的かつ気を散らすようなコンテキストの構築と、それ自身で盲点を露呈するように訓練されている。 これらの競合する目標を互いに衝突させることで、Sailnes氏は、表面的なパターンマッチングを超えてモデルを補完する。
  論文  参考訳（メタデータ） (2026-05-12T06:58:35Z)
• Mitigating Reward Hacking in RLHF via Bayesian Non-negative Reward Modeling [49.41422138354821]
  非負の因子分析をBradley-Terry選好モデルに統合する原理的報酬モデリングフレームワークを提案する。 BNRMは、スパースで非負の潜在因子生成過程を通じて報酬を表す。 BNRMは報酬の過度な最適化を著しく軽減し、分布シフトによるロバスト性を改善し、強いベースラインよりも解釈可能な報酬分解をもたらすことを示す。
  論文  参考訳（メタデータ） (2026-02-11T08:14:11Z)
• Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
  モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。 累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。 主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
  論文  参考訳（メタデータ） (2026-02-10T21:08:53Z)
• Learning a Generative Meta-Model of LLM Activations [75.30161960337892]
  ネットワークの内部状態の分布を学習する"メタモデル"を作成します。 ステアリング介入前に学んだメタモデルを適用することで、損失が減少するにつれて、流速が向上する。 これらの結果は、生成的メタモデルが制限的な構造的仮定を伴わずに、解釈可能性へのスケーラブルな経路を提供することを示唆している。
  論文  参考訳（メタデータ） (2026-02-06T18:59:56Z)
• Large Language Models as Discounted Bayesian Filters [14.164508061248775]
  大規模言語モデル(LLM)におけるオンライン推論を評価するためのベイズフィルタリングフレームワークを提案する。 LLMの信念更新はベイズ的後部と似ているが, モデル固有割引係数が1より小さい指数的忘れフィルタにより, より正確に特徴付けられる。 固有の先入観はしばしば誤解されるが、更新メカニズム自体は構造化され原則化されたままである。
  論文  参考訳（メタデータ） (2025-12-20T19:56:39Z)
• Simple Yet Effective: An Information-Theoretic Approach to Multi-LLM Uncertainty Quantification [9.397157329808254]
  MUSEは、大規模言語モデルのよく校正されたサブセットを特定し、集約するための単純な情報理論手法である。 二分予測タスクの実験では、単一モデルとナイーブアンサンブルベースラインと比較してキャリブレーションと予測性能が改善された。
  論文  参考訳（メタデータ） (2025-07-09T19:13:25Z)
• Signal in the Noise: Polysemantic Interference Transfers and Predicts Cross-Model Influence [46.548276232795466]
  多意味性は言語モデルに広く浸透しており、解釈とモデル行動制御の大きな課題である。 2つの小さなモデルの多意味的トポロジをマッピングし、意味的に無関係だがモデル内の干渉を示す特徴対を同定する。 我々は4つのloci(prompt, token, feature, neuron)に介入し、次のトーケン予測分布における変化を計測し、これらのモデルに体系的な脆弱性を露呈する多意味構造を明らかにする。
  論文  参考訳（メタデータ） (2025-05-16T18:20:42Z)
• Cycles of Thought: Measuring LLM Confidence through Stable Explanations [53.15438489398938]
  大規模言語モデル(LLM)は、様々なベンチマークで人間レベルの精度に到達し、さらに超えることができるが、不正確な応答における過度な自信は、依然として十分に文書化された障害モードである。 本稿では,LLMの不確実性を測定するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-05T16:35:30Z)

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。