論文の概要: Leveraging Large Language Models for Collective Decision-Making

• arxiv url: http://arxiv.org/abs/2311.04928v1
• Date: Fri, 3 Nov 2023 18:27:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-12 19:22:17.201302
• Title: Leveraging Large Language Models for Collective Decision-Making
• Title（参考訳）: 集団意思決定のための大規模言語モデル活用
• Authors: Marios Papachristou, Longqi Yang, Chin-Chia Hsu
• Abstract要約: ミーティングのスケジューリング、コラボレーション、プロジェクト計画など、さまざまな作業コンテキストにおいて、集合的な意思決定は不可欠だが、しばしば困難である。 本稿では,Large Language Models (LLMs) を利用して,対話の管理と個人の好みのバランスをとることによって,グループ意思決定を容易にするシステムを提案する。
• 参考スコア（独自算出の注目度）: 7.7254450638158
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In various work contexts, such as meeting scheduling, collaborating, and project planning, collective decision-making is essential but often challenging due to diverse individual preferences, varying work focuses, and power dynamics among members. To address this, we propose a system leveraging Large Language Models (LLMs) to facilitate group decision-making by managing conversations and balancing preferences among individuals. Our system extracts individual preferences and suggests options that satisfy a significant portion of the members. We apply this system to corporate meeting scheduling. We create synthetic employee profiles and simulate conversations at scale, leveraging LLMs to evaluate the system. Our results indicate efficient coordination with reduced interactions between members and the LLM-based system. The system also effectively refines proposed options over time, ensuring their quality and equity. Finally, we conduct a survey study involving human participants to assess our system's ability to aggregate preferences and reasoning. Our findings show that the system exhibits strong performance in both dimensions.
• Abstract（参考訳）: ミーティングのスケジューリング、コラボレーション、プロジェクト計画といった様々な作業コンテキストにおいて、集団的な意思決定は不可欠であるが、様々な個人の好み、様々な作業の焦点、メンバー間の力のダイナミクスのためにしばしば困難である。 そこで本稿では,Large Language Models (LLM) を利用したグループ意思決定を支援するシステムを提案する。 本システムは個人の好みを抽出し,メンバーのかなりの部分を満たす選択肢を提案する。 我々はこのシステムを企業会議スケジューリングに適用する。 合成従業員プロファイルを作成し、LLMを利用してシステム評価を行い、大規模に会話をシミュレートする。 この結果から,LLMシステムとメンバー間の相互作用の低減による効率的な協調が示唆された。 このシステムは、提案されたオプションを時間とともに効果的に洗練し、品質と株式を保証する。 最後に、人間の参加者による嗜好と推論を集約するシステムの能力を評価する調査を行った。 その結果,両次元で高い性能を示すことがわかった。

関連論文リスト

• RoundTable: Investigating Group Decision-Making Mechanism in Multi-Agent Collaboration [15.2119694237099]
  本研究では,マルチエージェントシステムによるエージェント間コミュニケーションの活用と,集団知能の強化効果について検討する。 様々な環境で異なる投票規則を適用することで、適度な決定の柔軟性がより良い結果をもたらすことが分かる。
  論文  参考訳（メタデータ） (2024-11-11T17:37:47Z)
• Active Preference-based Learning for Multi-dimensional Personalization [7.349038301460469]
  大規模言語モデル(LLM)はタスク間で顕著な汎用性を示しているが、個々の人間の好みに合わせることは依然として困難である。 複数の目的にまたがるユーザの嗜好を推定するためにバイナリフィードバックを用いた能動的嗜好学習フレームワークを提案する。 モデル応答をパーソナライズする上で,言語生成タスクに関する理論的解析と実験を行い,そのフィードバック効率と有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T11:49:33Z)
• Aligning LLMs with Individual Preferences via Interaction [51.72200436159636]
  調整可能な大きな言語モデル(LLM)をトレーニングします。 木構造における3K以上の多ターン会話を含む多ターン嗜好データセットを開発した。 評価のために、慎重に選択された100のサンプルと、会話中にカスタマイズされたアライメント性能を測定するために適切に設計されたメトリクスからなるALOEベンチマークを確立する。
  論文  参考訳（メタデータ） (2024-10-04T17:48:29Z)
• Enhancing LLM-Based Human-Robot Interaction with Nuances for Diversity Awareness [0.0]
  本稿では,大規模言語モデル(LLM)の機能を活用した多様性を考慮した自律会話システムを提案する。 このシステムは、背景、性格、年齢、性別、文化といった要因を考慮して、多様な人口や個人に適応する。 システムの性能を評価するため,制御と実環境の両方の実験を行い,幅広い性能指標を測定した。
  論文  参考訳（メタデータ） (2024-06-25T13:15:36Z)
• Efficient Adaptation in Mixed-Motive Environments via Hierarchical Opponent Modeling and Planning [51.52387511006586]
  本稿では,HOP(Hierarchical Opponent Modeling and Planning)を提案する。 HOPは階層的に2つのモジュールから構成される: 相手の目標を推論し、対応する目標条件のポリシーを学ぶ、反対モデリングモジュール。 HOPは、さまざまな未確認エージェントと相互作用する際、優れた少数ショット適応能力を示し、セルフプレイのシナリオで優れている。
  論文  参考訳（メタデータ） (2024-06-12T08:48:06Z)
• Optimising Human-AI Collaboration by Learning Convincing Explanations [62.81395661556852]
  本研究では,人間による意思決定によって安全を保ちながら協調的なシステムを構築する手法を提案する。 Ardentは、説明のための個人の好みに適応することで、効率的で効果的な意思決定を可能にする。
  論文  参考訳（メタデータ） (2023-11-13T16:00:16Z)
• Decision-Oriented Dialogue for Human-AI Collaboration [62.367222979251444]
  そこでは,大規模言語モデル(LM)のようなAIアシスタントが,自然言語を介して複数の人間と協調して複雑な意思決定を行うための,意思決定指向対話と呼ばれるタスクのクラスについて述べる。 日常的な意思決定に直面する3つの領域を定式化し,(1)レビュアーの会議論文への課題の選択,(2)都市における複数段階の旅程の計画,(3)友人集団の旅行計画の交渉を行う。 各タスクに対して、エージェントが到達した最終決定の質に基づいて報酬を受け取る対話環境を構築する。
  論文  参考訳（メタデータ） (2023-05-31T17:50:02Z)
• Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
  建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。 本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。 本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
  論文  参考訳（メタデータ） (2021-01-24T05:40:29Z)
• Auxiliary-task Based Deep Reinforcement Learning for Participant Selection Problem in Mobile Crowdsourcing [30.124365580284888]
  モバイルのクラウドソーシングでは、複数の目標を達成するために、求職者からの位置情報対応タスクを参加者に選択する。 異なる MCS システムには異なる目標があり、ある MCS システムでも相反する目標が存在する可能性がある。 複数の目標を達成するために,様々なMCSシステムに適用可能な参加者選択アルゴリズムを設計することが重要である。
  論文  参考訳（メタデータ） (2020-08-25T15:02:54Z)
• Is Your Goal-Oriented Dialog Model Performing Really Well? Empirical Analysis of System-wise Evaluation [114.48767388174218]
  本稿では,異なる設定の異なるモジュールから構成される異なるダイアログシステムについて,実験的検討を行った。 この結果から, 粗粒度ラベルで学習した連系や終端モデルを用いたシステムよりも, 細粒度監視信号を用いて訓練したパイプラインダイアログシステムの方が, 高い性能が得られることが示唆された。
  論文  参考訳（メタデータ） (2020-05-15T05:20:06Z)

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。