論文の概要: Consensus Within, Competition Between: Decentralized LLM Teams for Perimeter Defense
- arxiv url: http://arxiv.org/abs/2610.41044v1
- Date: Thu, 29 Oct 2026 22:34:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.510725
- Title: Consensus Within, Competition Between: Decentralized LLM Teams for Perimeter Defense
- Title（参考訳）: 内部合意, 競合: 分散LLMチームによる周辺防衛
- Abstract要約: 大規模言語モデル(LLM)は多エージェントチームを調整する。
本稿では,LSM制御イントルーダに対する周辺防御シミュレーションをシミュレーションする。
外部コンフリクト解決プロトコルを専用に備えたLLMチームが,最も少ない違反を発生していることがわかった。
- 参考スコア（独自算出の注目度）: 1.0195618602298682
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The use of large language models (LLMs) to coordinate multi-agent teams raises a fundamental architectural question: whether task allocation should be centralized in a single LLM controller or distributed across autonomous LLM agents, particularly when communication is unreliable. In a deliberately simplified perimeter-defense simulation against LLM-controlled intruders, we compared a central commander, an auction-based consensus team and independent agents under five network conditions. Breach rates were 15% for the consensus team, 32% for the commander and 29% for independent agents, and of the different network conditions, only limited radio range changed a team's breach rate, raising the commander's. In consensus team, giving a low-cost LLM more authority over the bid computation raised breaches by 38 percentage points. With birds and civilian drones in airspace, we added a photograph for each to the input text state. Only the near-frontier model treated them apart from intruders. Intruders disguised as existing taxidermy bird drones were mistook as birds by both low-cost and near-frontier LLMs, going unpursued in 59-61% of near-frontier decisions (1-16% before). However, a one-sentence forewarning in the prompt lowered it to 0-25%. We find that LLM team with a dedicated external conflict resolution protocol results in fewest breaches. Code: https://github.com/the-kas-lab/consensus-within-competition-between.
- Abstract（参考訳）: 大規模言語モデル(LLM)を用いてマルチエージェントチームのコーディネートを行うことは、単一のLLMコントローラにタスク割り当てを集中するか、自律的なLLMエージェントに分散するかという、基本的なアーキテクチャ上の問題を引き起こす。
故意に単純化されたLLM制御侵入者に対する近距離防御シミュレーションにおいて,5つのネットワーク条件下で中央司令官,オークションベースのコンセンサスチーム,独立エージェントを比較した。
ブレッハレートは、コンセンサスチームで15%、指揮官で32%、独立したエージェントで29%であり、異なるネットワーク条件下では、限られた無線レンジのみがチームの違反率を変え、指揮官が上昇した。
コンセンサスチームでは、入札計算に関して低コストのLLMに権限を与えると、違反率は38パーセント上昇した。
鳥と民間のドローンを空域に配置し、入力されたテキスト状態にそれぞれの写真を追加しました。
最前線モデルのみが侵入者から切り離された。
既存のタキダーミー・バード・ドローンに変装した侵入者は、低コストかつ最前線に近いLSMによって鳥と誤認され、59-61%のほぼ最前線決定(1-16%前)で否決された。
しかし、1文の警告は0-25%にまで低下した。
LLMチームは、外部のコンフリクト解決プロトコルに専用のプロトコルを組み込んでいるため、最も少ない違反が発生している。
コード:https://github.com/the-kas-lab/consensus-within-competition-between.com
関連論文リスト
- Red-Teaming Multi-Agent Attacks for Loss-of-Control Risks [0.3230649593947632]
我々は,16件の人的最適化攻撃を通じて,様々な状況や有害な目標に分散攻撃が分散していることを示す。
最前線モニターであるGPT-5.6 Solは、各エージェントを別々に読み取ると、同じサイドタスクを実行する場合の87%と比較して、分散攻撃の7%しかフラグを付けない。
個々の攻撃は、個々のエージェントにフラグを付けることなく、より大きな制御結果に対するより長い攻撃シーケンスに構成することもできる。
論文 参考訳（メタデータ） (2026-10-16T16:42:33Z) - Privacy-Preserving Topology-Guided Safety for LLM-Based Multi-Agent Systems via Federated Graph Learning [67.04448659688579]
FGLGuardは、AgentDojoのグランドサクセスレートを、ほぼ無防備なユーティリティ、APIコストゼロ、無視可能な機能損失で43%削減する。
フェデレーションはオプションではなく、オフ・ザ・シェルフ・トランスファーは流通シフトによって崩壊する。
Live FGLGuardは、AgentDojoのグランドサクセスレートを、ほぼ無防備なユーティリティ、APIコストゼロ、無視可能な機能損失で43%削減する。
論文 参考訳（メタデータ） (2026-09-02T07:57:12Z) - Lies We Can See: Joint Verbal and Non-Verbal Deception by VLM Agents in Embodied Social Interactions [66.7908338529737]
LLMとVLMのエージェントによる戦略的な騙しは、AIのアライメントと安全性の懸念の中心として現れている。
既存のテストベッドはテキストのみであり、単一の固定エージェント構成で実行される。
我々は,MineAmongUsを紹介した。これはUsサンドボックス内の3次元マルチモーダルで,インポスタエージェントは共同弁論と非言語行動を通じて乗組員を騙さなければならない。
論文 参考訳（メタデータ） (2026-08-31T08:24:29Z) - Glite ARF: Verifier-Driven Research with Parallel LLM Coding Agents [0.0]
我々は、LLMコーディングエージェントを並列に実行するオープンソースのPythonフレームワークであるGlite ARFを研究レポジトリで紹介する。
人間の研究者は、どの仮説をテストするかを選択し、コーディングエージェントは固定された構造の下で個々のタスクを実装し、決定論的Python検証スクリプトはタスク分離を実行する。
我々はGlite ARFを用いてBEA 2026語彙差分共有タスクに応募し、まずクローズドトラックに、そして3つのターゲット言語でオープントラックに配置した。
論文 参考訳（メタデータ） (2026-06-25T17:52:26Z) - AgentFairBench: Do LLM Agents Discriminate When They Act? [2.3004655342211078]
AgentFairBenchは、LLMエージェントの動作における人口格差に対する、安価で再現可能なマルチドメインベンチマークである。
これは、雇用、貸与、医療トリアージという、規制対象の3つの領域にまたがっている。
NumPyのみのハーネスは、反ファクト的なフリップ率、平均絶対スコア差(MASD)、アクションレートの相違、ツール起動の相違を計算する。
論文 参考訳（メタデータ） (2026-06-15T13:50:26Z) - Benchmarking Open-Ended Multi-Agent Coordination in Language Agents [48.1363632826625]
Alemは、手続き的に生成されたコーディネーションタスク、ソフトな特殊化、コミュニケーション、制御可能なコーディネーションの難しさを、長い水平サバイバルの世界に埋め込む。
Craftaxライクなダイナミックス上に構築されたオープンなマルチエージェント協調のためのJAXベースのベンチマークである$alem$を紹介します。
論文 参考訳（メタデータ） (2026-06-06T21:13:43Z) - MINDGAMES: A Live Arena for Evaluating Social and Strategic Reasoning in Multi-Agent LLMs [54.81359054218573]
大規模言語モデル(LLM)のためのマルチゲームアリーナと評価プラットフォームであるMindgamesを紹介する。
Mindgamesは、統合されたインタラクションインターフェース、TrueSkillベースの評価、および4つのゲーム環境にわたる完全な軌跡ログを提供する。
我々は,決定論的オフライントーナメントプロトコルMG-Refとともに,ターンレベルの観察,アクション,報酬を含む29,571個のマルチエージェントゲームを分析した。
論文 参考訳（メタデータ） (2026-05-28T07:33:47Z) - Workspace Optimization: How to Train Your Agent [49.579258311548635]
我々はエージェントのEmphworkspaceであり、それが読み取り、書き込み、テストする構造化された外部基質であると主張している。
本稿では,重み空間トレーニングの構造を反映して,作業空間を進化させる原理的手法を提案する。
ARC-AGI-3のマルチエージェントハーネスであるDreamTeamのアイデアをインスタンス化する。
論文 参考訳（メタデータ） (2026-05-10T16:52:10Z) - LLM Wardens: Mitigating Adversarial Persuasion with Third-Party Conversational Oversight [6.508925629329849]
隠れた目標を持つ敵のLSMは、ユーザの決定を65.4%に抑えることに成功している。
次に,人間とAIのインタラクショントレースをリアルタイムで監視し,ユーザに対して非拘束的かつプライベートなアドバイザリを発行する第2のLCMを導入する。
これらの結果のメカニズムを解明するため、14の意思決定シナリオにまたがるシミュレーションベンチマークであるCOAX-Benchをリリースする。
論文 参考訳（メタデータ） (2026-05-08T16:23:47Z) - AdvEvo-MARL: Shaping Internalized Safety through Adversarial Co-Evolution in Multi-Agent Reinforcement Learning [78.5751183537704]
AdvEvo-MARLは、タスクエージェントに安全性を内部化する、共進化型マルチエージェント強化学習フレームワークである。
外部ガードに頼るのではなく、AdvEvo-MARLは攻撃者と防御者を共同で最適化する。
論文 参考訳（メタデータ） (2025-10-02T02:06:30Z)
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。