[論文レビュー] Multi-Agent Consensus Seeking via Large Language Models

Huaben Chen, Wenkang Ji+2 more|arXiv (Cornell University)|Oct 31, 2023

Multi-Agent Systems and Negotiation被引用数 12

ひとこと要約

本論文は、複数の LLM 主導エージェントが数値状態について合意に達するために交渉する方法を研究し、性格やトポロジーなどの要因を分析し、マルチロボット集約アプリケーションを実証します。

ABSTRACT

Multi-agent systems driven by large language models (LLMs) have shown promising abilities for solving complex tasks in a collaborative manner. This work considers a fundamental problem in multi-agent collaboration: consensus seeking. When multiple agents work together, we are interested in how they can reach a consensus through inter-agent negotiation. To that end, this work studies a consensus-seeking task where the state of each agent is a numerical value and they negotiate with each other to reach a consensus value. It is revealed that when not explicitly directed on which strategy should be adopted, the LLM-driven agents primarily use the average strategy for consensus seeking although they may occasionally use some other strategies. Moreover, this work analyzes the impact of the agent number, agent personality, and network topology on the negotiation process. The findings reported in this work can potentially lay the foundations for understanding the behaviors of LLM-driven multi-agent systems for solving more complex tasks. Furthermore, LLM-driven consensus seeking is applied to a multi-robot aggregation task. This application demonstrates the potential of LLM-driven agents to achieve zero-shot autonomous planning for multi-robot collaboration tasks. Project website: windylab.github.io/ConsensusLLM/.

研究の動機と目的

• LLM 主導のエージェントがエージェント間の交渉を通じて合意に達することが可能かを調査する。
• 合意プロセス中に用いられる共通戦略（例：平均）とそれらからの逸脱を特定する。
• エージェントの性格とネットワークトポロジーが交渉結果に与える影響を検討する。
• エージェント数が合意の安定性とばらつきに与える影響を評価する。
• zero-shot planningとしてマルチロボット集約タスクへの適用可能性を示す。

提案手法

• 初期状態がランダムな数値である n 個のエージェントを、GPT-3.5-turbo-0613 によって駆動させてモデル化する。
• 各ラウンドで次の状態を決定するために、Reasoning と Position をエージェントに出力させることを許可する。
• emergent 合意挙動を観察するために、明示的な戦略指示を避ける。
• 性格プロンプトを変化させ、頑固なエージェントや従順なエージェントを作り出し、その影響を観察する。
• 情報フローを研究するために、完全連結、部分的、有向などの異なるネットワークトポロジをテストする。
• エージェント数と温度が最終的な合意にどのように影響するかを分析するために、モンテカルロシミュレーションを実施する。

実験結果

リサーチクエスチョン

• RQ1 複数の LLM 主導エージェントは、交渉を通じて自律的に共通の合意値に到達できるか。
• RQ2 エージェントが収束する戦略（例：平均）は何か、そして振動やクラスタリングが発生する条件は何か。
• RQ3 性格特性（頑固さ vs 従順さ）とネットワークトポロジーが合意結果に与える影響は。
• RQ4 エージェント数を増やすと最終合意のばらつきや幻視を減らすか。
• RQ5 現実世界のマルチロボット集約タスクにおいて、LLM 主導の合意生成をどのように適用できるか。

主な発見

• エージェントは、明示的な指示がない場合、しばしば平均戦略を用いて合意に達するが、時折逸脱がある。
• 性格の影響には、頑固なエージェントがリーダー-フォロワーのダイナミクスを生み出すことや、従順なエージェントが状況によっては振動を引き起こすかより速い整合を導く可能性がある。
• トポロジーは収束速度と構造に影響する：完全連結ネットワークはより速く収束するが、有向グラフはリーダー-フォロワーのパターンを生み、収束が遅くなるまたはデッドロックの可能性がある。
• エージェント数を増やすと一般に最終合意の分散が減少し、集団意思決定を安定化できる一方、温度が低い（0）の場合、初期平均値の周りにより密集したクラスタリングを生む。
• 従順すぎるエージェントの組み合わせでは振動が生じることがあり、複数の頑固なエージェントは離れた状態でのクラスタリングを引き起こすことがある。
• このフレームワークはユークリッド空間におけるマルチロボット集約へ適用可能であり、LLM ベースの計画が自律的な協調に影響を与えることを示している。