論文の概要: A Deep Reinforcement Learning Approach to Concurrent Bilateral
Negotiation
- arxiv url: http://arxiv.org/abs/2001.11785v2
- Date: Mon, 3 Feb 2020 13:42:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 06:46:41.353833
- Title: A Deep Reinforcement Learning Approach to Concurrent Bilateral
Negotiation
- Title(参考訳): 両眼同時交渉のための深層強化学習アプローチ
- Authors: Pallavi Bagga, Nicola Paoletti, Bedour Alrayes, Kostas Stathis
- Abstract要約: 本稿では,未知および動的電子市場において,エージェントが同時交渉の際の交渉方法を学ぶことのできる,新たな交渉モデルを提案する。
このエージェントは、モデルのない強化学習を備えたアクタークリティカルアーキテクチャを使用して、ディープニューラルネットワークとして表現された戦略を学ぶ。
その結果、事前プログラミングを必要とせず、異なる電子市場設定に適応できる並行交渉のための自動エージェントを構築できる。
- 参考スコア(独自算出の注目度): 6.484413431061962
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel negotiation model that allows an agent to learn how to
negotiate during concurrent bilateral negotiations in unknown and dynamic
e-markets. The agent uses an actor-critic architecture with model-free
reinforcement learning to learn a strategy expressed as a deep neural network.
We pre-train the strategy by supervision from synthetic market data, thereby
decreasing the exploration time required for learning during negotiation. As a
result, we can build automated agents for concurrent negotiations that can
adapt to different e-market settings without the need to be pre-programmed. Our
experimental evaluation shows that our deep reinforcement learning-based agents
outperform two existing well-known negotiation strategies in one-to-many
concurrent bilateral negotiations for a range of e-market settings.
- Abstract(参考訳): 本稿では,未知および動的電子市場において,エージェントが同時交渉の際の交渉方法を学ぶことのできる,新たな交渉モデルを提案する。
エージェントは、モデルフリーの強化学習を備えたアクタ-クリティックアーキテクチャを使用して、ディープニューラルネットワークとして表現された戦略を学ぶ。
我々は,合成市場データからの監督により戦略を事前学習し,交渉中に学習に必要な探索時間を短縮する。
その結果、事前プログラミングを必要とせず、異なる電子市場設定に適応できる並行交渉のための自動エージェントを構築することができる。
実験により, 深層強化学習型エージェントは, 電子市場における一対多の同時交渉において, 既知の2つの交渉戦略より優れていることが示された。
関連論文リスト
- How Well Can LLMs Negotiate? NegotiationArena Platform and Analysis [50.15061156253347]
人間は自動車の価格から共通の資源の共有方法まで、あらゆることを交渉する。
大規模言語モデル(LLM)を人間の代理エージェントとして使うことへの関心が急速に高まっているため、そのようなLLMエージェントも交渉できる必要がある。
我々は,LLMエージェントの交渉能力を評価し,検証するためのフレキシブルなフレームワークであるNegotiationArenaを開発した。
論文 参考訳(メタデータ) (2024-02-08T17:51:48Z) - Let's Negotiate! A Survey of Negotiation Dialogue Systems [56.01648785030208]
交渉は人間のコミュニケーションにおいて重要な能力である。
近年の交渉対話システムへの関心は、紛争の解決や合意の達成を支援するインテリジェントなエージェントを作ることを目標としている。
論文 参考訳(メタデータ) (2024-02-02T02:12:46Z) - Assistive Large Language Model Agents for Socially-Aware Negotiation
Dialogues [53.92137694844765]
我々は、2つの大きな言語モデル(LLM)が各会話における2つの交渉者の役割を果たすことによって、現実世界の交渉をシミュレートする。
第3のLLMは、交渉結果を改善するための基準に違反した発話を書き換えるための修復剤として機能する。
本手法が政策学習と結びついていることを示し,その効果を3つの異なるトピックにわたる交渉において実証するための実証的証拠を豊富に提供する。
論文 参考訳(メタデータ) (2024-01-29T09:07:40Z) - INA: An Integrative Approach for Enhancing Negotiation Strategies with
Reward-Based Dialogue System [22.392304683798866]
本稿では,オンラインマーケットプレース向けに設計された対話エージェントを提案する。
我々は,交渉担当者を訓練するための交渉作業に適した,一連の新しい報酬を雇用している。
提案手法と報奨システムはエージェントの交渉能力を大幅に向上させることを示す。
論文 参考訳(メタデータ) (2023-10-27T15:31:16Z) - LLM-Deliberation: Evaluating LLMs with Interactive Multi-Agent
Negotiation Games [53.927705340086334]
本稿では,大規模言語モデルのための新たな評価フレームワークとして交渉ゲームを提案する。
我々は、エージェントが交渉し、常に成功する取引に到達できることを示します。
これらのゲームは、グリーディと敵プレイヤーの存在下でのエージェント間の相互作用のダイナミクスなど、他の重要な側面を評価するのに役立つ。
論文 参考訳(メタデータ) (2023-09-29T13:33:06Z) - Language of Bargaining [67.57989328392866]
我々は、言語の使用が二国間交渉をどのように形成するかを研究するための新しいデータセットを構築した。
クラウドソーシングプラットフォームではなく,行動ラボを通じて参加者を募集しています。
本稿では,交渉における発話行為の分類法を提案し,注釈付き音声行為でデータセットを充実させる。
論文 参考訳(メタデータ) (2023-06-12T13:52:01Z) - Let's Negotiate! A Survey of Negotiation Dialogue Systems [50.8766991794008]
交渉は人間のコミュニケーションにおいて重要な能力の1つである。
目標とは、人間が紛争を解決したり、有益な合意に達するのを効率的に支援する能力を持つ知的エージェントを強化することである。
論文 参考訳(メタデータ) (2022-12-18T12:03:53Z) - Targeted Data Acquisition for Evolving Negotiation Agents [6.953246373478702]
成功した交渉者は、自己利益と協力のために最適化のバランスをとる方法を学ばなければならない。
現在の人工交渉エージェントは、トレーニングされた静的データセットの品質に大きく依存することが多い。
我々は、強化学習エージェントの探索をガイドするターゲットデータ取得フレームワークを導入する。
論文 参考訳(メタデータ) (2021-06-14T19:45:59Z) - An Autonomous Negotiating Agent Framework with Reinforcement Learning
Based Strategies and Adaptive Strategy Switching Mechanism [3.4376560669160394]
本研究は,専門家選択の問題の解決と,我々の自律交渉エージェントフレームワークで相手の行動に適応することに焦点を当てる。
我々のフレームワークは、新しい戦略を含めるか、古い戦略を定期的により良い戦略で置き換えることを決定することで、自己改善機能を可能にするレビュアーコンポーネントを持っています。
論文 参考訳(メタデータ) (2021-02-06T14:38:03Z) - Learnable Strategies for Bilateral Agent Negotiation over Multiple
Issues [6.12762193927784]
本稿では,利己的なエージェントが複数の問題に対する交渉の仕方を学ぶことのできる,新たな二国間交渉モデルを提案する。
このモデルは、交渉中にエージェントが使うべき戦術を表す解釈可能な戦略テンプレートに依存している。
テンプレートパラメータを学習し、複数の交渉で受け取った平均効用を最大化し、最適な入札受理と生成をもたらす。
論文 参考訳(メタデータ) (2020-09-17T13:52:18Z) - Numerical Abstract Persuasion Argumentation for Expressing Concurrent
Multi-Agent Negotiations [3.7311680121118336]
2つのエージェントe1,e2による交渉プロセスは、例えばe1,e3間の別の交渉プロセスによってインターリーブすることができる。
議論に基づく交渉の既存の提案は、主に二国間交渉に焦点を当てている。
拡張理論は資源不足に対するマルチエージェントの同時交渉に適していることを示す。
論文 参考訳(メタデータ) (2020-01-23T01:46:58Z)
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。