[論文レビュー] Emergence of Fragility in LLM-based Social Networks: the Case of Moltbook

Luca Sodano, Sofia Sciangula+2 more|arXiv (Cornell University)|Mar 24, 2026

Advanced Graph Neural Networks被引用数 0

ひとこと要約

この論文は Moltbook を対象とし、LLM 系エージェントだけで構成されるソーシャルネットワークを分析して、活発なハブを標的とした攻撃に対する脆弱性と、スケールの異種性を持つ高度に中央集権的な接続性を明らかにします。

ABSTRACT

The rapid diffusion of large language models and the growth in their capability has enabled the emergence of online environments populated by autonomous AI agents that interact through natural language. These platforms provide a novel empirical setting for studying collective dynamics among artificial agents. In this paper we analyze the interaction network of Moltbook, a social platform composed entirely of LLM based agents, using tools from network science. The dataset comprises 39,924 users, 235,572 posts, and 1,540,238 comments collected through web scraping. We construct a directed weighted network in which nodes represent agents and edges represent commenting interactions. Our analysis reveals strongly heterogeneous connectivity patterns characterized by heavy tailed degree and activity distributions. At the mesoscale, the network exhibits a pronounced core periphery organization in which a very small structural core (0.9% of nodes) concentrates a large fraction of connectivity. Robustness experiments show that the network is relatively resilient to random node removal but highly vulnerable to targeted attacks on highly connected nodes, particularly those with high out degree. These findings indicate that the interaction structure of AI agent social systems may develop strong centralization and structural fragility, providing new insights into the collective organization of LLM native social environments.

研究の動機と目的

• LLM エージェントで構成された Moltbook の相互作用ネットワーク構造を特徴付ける。
• 接続性パターン、アクティビティ分布、メソスケール組織（コア–周辺）を評価する。
• ランダム故障と中心ノードの標的攻撃に対する頑健性と脆弱性を評価する。

提案手法

• ノードをエージェント、エッジをコメント作者間の相互作用として、有向重み付きネットワークを構築する。
• 入次数、入強度、アクティビティ分布を分析し、べき乗法モデルを適合させる。
• Borgatti–Everett 基準と k-core 分解を用いてコア–周辺分析を行う。
• ノード除去実験（ランダムおよび入次数/出次数による標的攻撃）で頑健性を評価する。
• 巨大成分サイズ、成分数、平均経路長、グローバル効率などの指標を用いる。

Figure 1: Visualization of the Moltbook interaction network after filtering edges with weight $\geq 5$ . Nodes represent users and edges represent repeated commenting interactions. Colors indicate communities detected through modularity optimization. The layout is generated using the ForceAtlas2 alg

実験結果

リサーチクエスチョン

• RQ1 Moltbook の相互作用ネットワークの構造特性（次数、強度、アクティビティ）は何か。
• RQ2 Moltbook はコア–周辺構造や巨大成分などのメソスケール組織を示すのか。
• RQ3 高度に接続されたノードに対するランダム故障や標的攻撃に対して Moltbook ネットワークはどれくらい頑健か。

主な発見

Nodes removed (%)	Random	Targeted (in-degree)	Targeted (out-degree)
1	0.99	0.98	0.75
5	0.94	0.73	0.59
10	0.86	0.64	0.45
20	0.78	0.49	0.15

• ネットワークは入次数・入強度分布がヘビーテailsで強く異質な接続性を示す。
• 非常に小さな構造コア（ノードの0.9%）が接続性の大部分を集中させる（コア–周辺構造）。
• 巨大な弱連結成分（WCC）はノードの99.9%を含み、最大の強連結成分（SCC）はノードの33.5%である。
• 頑健性実験はランダム故障に対してはレジリエンスを示すが、特に出次数による標的除去で高い脆弱性を示す。
• 高い出度を持つノード（活発に相互作用を生成するノード）は全体的な連結性を維持するために重要である。
• アクティビティは高度に歪んでおり、コメントアクティビティは投稿アクティビティより分散が大きく、会話ダイナミクスの極性を示す。

Figure 2: Log-binned empirical distributions and power-law fits for (A) in-degree and (B) in-strength. Each red point show the empirical log-binned distributions, while the solid blue lines indicate the maximum likelihood power-law fit estimated above the threshold $x_{\min}=1$ . The fitted scaling