論文の概要: Architecting Fairness-Aware LLM Interactions

• arxiv url: http://arxiv.org/abs/2611.00723v1
• Date: Sat, 31 Oct 2026 07:59:01 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:10:22.057028
• Title: Architecting Fairness-Aware LLM Interactions
• Title（参考訳）: フェアネスを考慮したLCMインタラクションのアーキテクチャ
• Abstract要約: 大規模言語モデル(LLM)は、意思決定支援ツールとして使われることが多いが、ステレオタイプ、差別、不公平な応答を生成する可能性がある。 本稿では,3つの再利用可能な設計パターンを基盤としたフェアネス保証アーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 51.57632434522671
• License:
• Abstract: Large Language Models (LLMs) are increasingly used as decision-support tools but may generate stereotypical, discriminatory, or unfair responses. As LLMs become embedded in decision-critical software systems, fairness can no longer be treated as a downstream evaluation step, but must become an architectural concern of the interaction itself. Yet current fairness approaches operate as standalone evaluation techniques, lacking a reusable mechanism to verify and mitigate violations at runtime. We propose a fairness-assurance architecture grounded in three reusable design patterns, instantiated as a multi-agent framework that evaluates and iteratively refines LLM responses before delivery. A preliminary evaluation across eight configurations involving different LLM families shows that the architecture identifies fairness violations and iteratively produces compliant responses in all configurations, with behavior differing depending on the model-family composition. These results provide initial evidence for the joint instantiation of the proposed patterns and a first step toward architecting non-functional properties into LLM-based systems.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、意思決定支援ツールとして使われることが多いが、ステレオタイプ、差別、不公平な応答を生成する可能性がある。 LLMが決定クリティカルなソフトウェアシステムに組み込まれるにつれて、フェアネスはもはや下流評価ステップとして扱うことはできないが、インタラクション自体のアーキテクチャ上の問題になる必要がある。 しかし、現在の公正なアプローチはスタンドアロンの評価技術として機能し、実行時に違反を検証し緩和する再利用可能なメカニズムが欠如している。 本稿では, 3 つの再利用可能な設計パターンを基盤としたフェアネス保証アーキテクチャを提案する。 異なるLLMファミリーを含む8つの構成の予備評価は、アーキテクチャが公正な違反を認識し、全ての構成において反復的に適合する応答を生成し、その振舞いはモデル-ファミリー構成によって異なることを示している。 これらの結果は,提案したパターンの同時インスタンス化の初期の証拠であり,LLM系システムに非機能的特性を設計する第一歩となる。

関連論文リスト

• Position: It's Time to Optimize LLMs for Self-Consistency [50.68587056599734]
  多くの重要な障害は、事前および後トレーニングパイプラインの言語モデルに持続する。 これらの失敗は、パイプラインのすべての側面に浸透するモデリングの前提から生じます。 これらの失敗を理解するためのフレームワークとして,自己整合性を提案する。
  論文  参考訳（メタデータ） (2026-07-31T19:16:53Z)
• Beyond Basic Specifications? A Systematic Study of Logical Constructs in LLM-based Specification Generation [29.231420590756954]
  プログラム仕様の自動生成のための大規模言語モデル(LLM)は、検証効率を向上させるための有望な道として登場した。 既存の LLM 仕様生成フレームワークに論理構造を組み込むことを提案する。 我々は,様々な種類の構文構造が仕様生成フレームワークに与える影響について,実証的研究を行った。
  論文  参考訳（メタデータ） (2026-01-31T13:19:40Z)
• AMAS: Adaptively Determining Communication Topology for LLM-based Multi-Agent System [19.336020954831202]
  大規模言語モデル (LLM) は自然言語処理能力に革命をもたらし、産業問題解決のための自律型マルチエージェントシステム (MAS) として実践的に実装されている。 我々は、新しい動的グラフデザイナを通じてLLMベースのMASを再定義するパラダイムシフトフレームワークであるAMASを紹介する。 AMASは個々の入力の固有の特性を利用して、タスク最適化エージェント経路を介してインテリジェントにクエリトラジェクトリをクエリする。
  論文  参考訳（メタデータ） (2025-10-02T02:50:22Z)
• MLE-Dojo: Interactive Environments for Empowering LLM Agents in Machine Learning Engineering [57.156093929365255]
  自律型大規模言語モデル(LLM)エージェントを体系的に強化し、評価し、改善するためのガイムスタイルのフレームワーク。 MLE-Dojoは、現実的なエンジニアリングシナリオを反映した、多様でオープンなMLEタスクを慎重にキュレートする。 完全に実行可能な環境は、教師付き微調整と強化学習の両方を通して包括的なエージェントトレーニングをサポートする。
  論文  参考訳（メタデータ） (2025-05-12T17:35:43Z)
• Evaluation-Driven Development of LLM Agents: A Process Model and Reference Architecture [25.752294816136807]
  大規模言語モデル(LLM)は、未特定目標を達成することができる自律システムの出現を可能にした。 本稿では,テスト駆動型および行動駆動型開発に触発された評価駆動型開発手法を提案する。 我々のアプローチは、オンライン(ランタイム)とオフライン(再開発)の評価を統合し、適応的なランタイム調整を可能にします。
  論文  参考訳（メタデータ） (2024-11-21T00:34:30Z)
• Embodied Agent Interface: Benchmarking LLMs for Embodied Decision Making [85.24399869971236]
  我々は,大規模言語モデル(LLM)を具体的意思決定のために評価することを目指している。 既存の評価は最終的な成功率にのみ依存する傾向がある。 本稿では,様々なタスクの形式化を支援する汎用インタフェース (Embodied Agent Interface) を提案する。
  論文  参考訳（メタデータ） (2024-10-09T17:59:00Z)
• Self-Retrieval: End-to-End Information Retrieval with One Large Language Model [97.71181484082663]
  本稿では,新たなLLM駆動情報検索アーキテクチャであるSelf-Retrievalを紹介する。 自己検索は、自己教師付き学習を通じて検索コーパスを内部化し、検索プロセスをシーケンシャルな通過生成に変換し、再ランク付けのための関連性評価を行う。
  論文  参考訳（メタデータ） (2024-02-23T18:45:35Z)

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。