論文の概要: CuriousTogether: Implications of Curiosity and Cultural Grounding in Multi-Agent LLM Interactions
- arxiv url: http://arxiv.org/abs/2611.01301v1
- Date: Sat, 31 Oct 2026 22:01:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-04 23:36:30.46344
- Title: CuriousTogether: Implications of Curiosity and Cultural Grounding in Multi-Agent LLM Interactions
- Title（参考訳）: CuriousTogether:マルチエージェントLDMインタラクションにおける好奇心と文化的接地の意味
- Abstract要約: 好奇心駆動型マルチエージェントインタラクションを評価するフレームワークであるCuriousTogetherを紹介する。
好奇心誘導型マルチエージェント設定は,8つのタスクのうち7つのタスクにおいて,非キュラスな設定よりも改善されていることを示す。
また、推論時マルチエージェント好奇心に基づくアプローチは、良好な品質のトレードオフをもたらすことを示す。
- 参考スコア（独自算出の注目度）: 41.53489757896664
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large Language Models (LLMs) are increasingly deployed in multi-agent settings, exhibiting emergent collective behaviors, yet the role of curiosity as a driver of such dynamics remains understudied. We introduce CuriousTogether, a framework evaluating curiosity-driven multi-agent LLM interactions across three complementary dimensions: novelty-seeking, epistemic and social curiosity. Across eight tasks spanning reasoning, creative generation, and social bias mitigation, curiosity-guided multi-agent settings yield improvements over non-curious ones on seven out of eight tasks, with gains of up to 20.6% in story generation (semantic diversity) and a 14.9 pp reduction in stereotype rates. Furthermore, country-conditioned cultural grounding show benefits for story generation and social tasks, but can hurt precision-oriented reasoning. Finally, we show that inference-time multi-agent curiosity-based approach offers favorable quality-token trade-offs, compared with single-agent baselines. Together, these findings support curiosity-guided interaction as a practical mechanism for improving multi-agent collaboration, with downstream benefits for reasoning, creative, and societal tasks.
- Abstract（参考訳）: 大規模言語モデル(LLM)はマルチエージェント環境にますます展開され、創発的な集団行動を示すが、そのようなダイナミクスのドライバとしての好奇心の役割はまだ検討されていない。
CuriousTogether は好奇心駆動型多エージェント LLM 相互作用を3つの相補的次元 – 新規性検索,疫学,社会好奇心 – で評価するフレームワークである。
推論、創造的生成、社会的バイアス軽減、好奇心に富んだマルチエージェント設定を含む8つのタスクは、8つのタスクのうち7つのタスクにおいて、非キュラスなタスクよりも改善され、ストーリー生成(セマンティック・ダイバーシティ)は最大20.6%、ステレオタイプレートは14.9%低下した。
さらに、国を条件とした文化基盤化は、ストーリー生成や社会的タスクに利益をもたらすが、正確性を重視した推論を損なう可能性がある。
最後に、推論時マルチエージェント好奇性に基づくアプローチは、単一エージェントベースラインと比較して、良好な品質のトレードオフをもたらすことを示す。
これらの知見は、多エージェントコラボレーションを改善するための実践的なメカニズムとして好奇心誘導相互作用をサポートし、推論、創造的、社会的なタスクに対する下流の利点を提供する。
関連論文リスト
- Multi-Agent LLMs Fail to Explore Each Other [34.74439361133657]
本稿では,現代の大規模言語モデル (LLM) エージェントが相互に対話する際に効果的に探索できないことを示す。
MACE(Multi- Agent Contextual Exploration)は、構造化されたピア選択による探索を明示的に促進する軽量なフレームワークである。
論文 参考訳（メタデータ） (2026-07-13T08:34:05Z) - MARTI-MARS$^2$: Scaling Multi-Agent Self-Search via Reinforcement Learning for Code Generation [64.2621682259008]
セルフサーチスケーリングによるマルチエージェント強化トレーニングと推論フレームワーク(MARTI-MARS2)
本稿では,MARTI-MARS2を用いたマルチエージェント強化学習・推論フレームワークを提案する。
我々は、MARTI-MARS2が77.7%を獲得し、GPT-5.1のような強力なベースラインを、挑戦的なコード生成ベンチマークで上回っていることを示す。
論文 参考訳（メタデータ） (2026-02-08T07:28:44Z) - From Single to Societal: Analyzing Persona-Induced Bias in Multi-Agent Interactions [19.313710831511067]
大規模言語モデル(LLM)ベースのマルチエージェントシステムは、人間のインタラクションをシミュレートし、協調的なタスクを解決するためにますます利用されている。
ペルソナはマルチエージェントインタラクションにバイアスをもたらすか?
本稿では,多エージェントインタラクションにおけるペルソナ誘発バイアスの系統的研究について述べる。
論文 参考訳（メタデータ） (2025-11-14T18:19:28Z) - Can Agents Spontaneously Form a Society? Introducing a Novel Architecture for Generative Multi-Agents to Elicit Social Emergence [0.11249583407496219]
我々は,ITCMA-Sと呼ばれる生成エージェントアーキテクチャを導入し,個々のエージェントの基本的なフレームワークと,マルチエージェント間のソーシャルインタラクションをサポートするフレームワークを紹介する。
このアーキテクチャは、エージェントが社会的相互作用に有害な行動を識別し、フィルタリングし、より好ましい行動を選択するように誘導することを可能にする。
論文 参考訳（メタデータ） (2024-09-10T13:39:29Z) - 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) - Curiosity-Driven Multi-Agent Exploration with Mixed Objectives [7.247148291603988]
単エージェント強化学習におけるスパース報酬問題を軽減するために、本質的な報酬がますます利用されてきた。
好奇心駆動探索(英: Curiosity-driven exploration)は、エージェントの好奇心モジュールの予測誤差としてこの新規性を定量化する、単純で効率的なアプローチである。
しかし, この好奇心を駆使して, スパース報酬協調型マルチエージェント環境における探索をガイドする手法は, 常に改善に繋がらないことを示す。
論文 参考訳（メタデータ） (2022-10-29T02:45:38Z) - 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) - Celebrating Diversity in Shared Multi-Agent Reinforcement Learning [20.901606233349177]
深層多エージェント強化学習は、複雑な協調的な課題を解決することを約束している。
本稿では,共有型マルチエージェント強化学習の最適化と表現に多様性を導入することを目的とする。
提案手法は,Google Research Footballと超硬度StarCraft IIマイクロマネジメントタスクにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2021-06-04T00:55:03Z) - Learning to Incentivize Other Learning Agents [73.03133692589532]
我々は、学習インセンティブ関数を用いて、RLエージェントに他のエージェントに直接報酬を与える能力を持たせる方法を示す。
このようなエージェントは、一般的なマルコフゲームにおいて、標準のRLと対戦型エージェントを著しく上回っている。
私たちの仕事は、マルチエージェントの未来において共通の善を確実にする道のりに沿って、より多くの機会と課題を指しています。
論文 参考訳（メタデータ） (2020-06-10T20:12:38Z)
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。