論文の概要: Algorithmic Persuasion Through Simulation: Information Design in the Age
of Generative AI
- arxiv url: http://arxiv.org/abs/2311.18138v1
- Date: Wed, 29 Nov 2023 23:01:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-01 18:41:32.050799
- Title: Algorithmic Persuasion Through Simulation: Information Design in the Age
of Generative AI
- Title（参考訳）: シミュレーションによるアルゴリズムによる説得:生成AI時代の情報設計
- Authors: Keegan Harris, Nicole Immorlica, Brendan Lucier, Aleksandrs Slivkins
- Abstract要約: 生成AIが経済エージェントをシミュレートできることを示す研究によって動機付けられ、私たちはオラクルを用いて情報デザインを研究する。
我々は,受信者の信念に先立って,送信者が2階に先行するベイズ的説得について検討する。
技術的貢献として、問い合わせが受信者の知識を定量化するために使用できる受信者の信念の空間の分割を形成することを示す。
- 参考スコア（独自算出の注目度）: 54.96278605678665
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: How can an informed sender persuade a receiver, having only limited
information about the receiver's beliefs? Motivated by research showing
generative AI can simulate economic agents, we initiate the study of
information design with an oracle. We assume the sender can learn more about
the receiver by querying this oracle, e.g., by simulating the receiver's
behavior. Aside from AI motivations such as general-purpose Large Language
Models (LLMs) and problem-specific machine learning models, alternate
motivations include customer surveys and querying a small pool of live users.
Specifically, we study Bayesian Persuasion where the sender has a
second-order prior over the receiver's beliefs. After a fixed number of queries
to an oracle to refine this prior, the sender commits to an information
structure. Upon receiving the message, the receiver takes a payoff-relevant
action maximizing her expected utility given her posterior beliefs. We design
polynomial-time querying algorithms that optimize the sender's expected utility
in this Bayesian Persuasion game. As a technical contribution, we show that
queries form partitions of the space of receiver beliefs that can be used to
quantify the sender's knowledge.
- Abstract（参考訳）: 受信者の信念に関する限られた情報しか持たず、どのようにして受信者を説得できるのか。
生成AIが経済エージェントをシミュレートできることを示す研究によって動機づけられた私たちは、オラクルで情報デザインの研究を開始する。
送信者は、受信者の振る舞いをシミュレートすることによって、このオラクルに問い合わせることで、受信者についてもっと学ぶことができると仮定します。
汎用Large Language Models(LLMs)や問題固有の機械学習モデルといったAIモチベーション以外にも、顧客調査や少数のライブユーザへのクエリなど、別のモチベーションがある。
具体的には,受信者の信念に先立って送信者が第2の順序を持つベイズ的説得について検討する。
この事前を洗練するためにオラクルに一定数のクエリを送信した後、送信者は情報構造にコミットする。
メッセージを受け取ると、受信者は彼女の期待する効用を最大化するための支払い関連行動をとる。
我々は,このベイズ型説得ゲームにおいて,送信者の期待効用を最適化する多項式時間問合せアルゴリズムを設計する。
技術的貢献として、問い合わせが受信者の知識を定量化するために使用できる受信者の信念の空間の分割を形成することを示す。
関連論文リスト
- Beyond Thumbs Up/Down: Untangling Challenges of Fine-Grained Feedback for Text-to-Image Generation [67.88747330066049]
きめ細かいフィードバックは、画像の品質と迅速な調整におけるニュアンスドの区別を捉えます。
粗いフィードバックに対する優位性を示すことは、自動ではないことを示す。
きめ細かいフィードバックを抽出し活用する上で重要な課題を特定します。
論文 参考訳（メタデータ） (2024-06-24T17:19:34Z) - Prompt Optimization with Human Feedback [69.95991134172282]
人間のフィードバックによる迅速な最適化問題(POHF)について検討する。
我々は自動POHF(Automatic POHF)というアルゴリズムを導入する。
その結果、APOHFは、少数の好みフィードバックインスタンスを用いて、効率的に適切なプロンプトを見つけることができることがわかった。
論文 参考訳（メタデータ） (2024-05-27T16:49:29Z) - Learning How to Strategically Disclose Information [6.267574471145217]
送信者が未知のタイプの受信機と対話する情報設計のオンライン版を考える。
我々は、$mathcalO(sqrtT)$ regretが完全な情報フィードバックで達成可能であることを示す。
また,一般凸ユーティリティ関数に対して$mathcalO(sqrtT)$ regretを送信者が達成できる新しいパラメトリゼーションを提案する。
論文 参考訳（メタデータ） (2024-03-13T17:44:16Z) - Markov Persuasion Processes: Learning to Persuade from Scratch [37.92189925462977]
ベイズによる説得では、情報発信者は、望ましい行動をとるよう説得するために、情報を受信者に戦略的に開示する。
我々は、部分的なフィードバックで作業する送信者のための学習アルゴリズムを設計する。
最適情報開示ポリシーに対する後悔はエピソード数で微妙に増加することを証明している。
論文 参考訳（メタデータ） (2024-02-05T15:09:41Z) - Persuading a Behavioral Agent: Approximately Best Responding and
Learning [7.378697321839991]
本研究では,受信機が送信者の信号処理方式にほぼ最もよく対応できるベイズ説得モデルの緩和について検討する。
自然な仮定の下では,送信側は,予測ユーティリティが最適ユーティリティとほぼ同等に優れたことを保証した信号処理方式を見つけることができることを示す。
論文 参考訳（メタデータ） (2023-02-07T19:12:46Z) - Sequential Information Design: Learning to Persuade in the Dark [49.437419242582884]
本研究では,自己関心の受信者の行動に影響を及ぼそうとする情報発信者が直面する繰り返し情報設計問題について検討する。
各ラウンドにおいて、送信者は、シーケンシャル意思決定(SDM)問題におけるランダムイベントの実現を観察する。
これは、そのような情報をレシーバーに段階的に開示し、彼らが(望まれる)アクションレコメンデーションに従うように説得する方法の課題である。
論文 参考訳（メタデータ） (2022-09-08T17:08:12Z) - Multi-Receiver Online Bayesian Persuasion [51.94795123103707]
本研究では,未知の逆選択型の受信者に対して,送信者が繰り返し対面するオンライン学習フレームワークについて検討する。
オフラインモデルの慣習として、外部性やバイナリアクションのないケースに重点を置いています。
本稿では,損失関数を有限個に制限したオンライン学習問題に対処する一般的なオンライン降下スキームを提案する。
論文 参考訳（メタデータ） (2021-06-11T16:05:31Z) - Learning to Persuade on the Fly: Robustness Against Ignorance [26.915262694667746]
送信側と受信側のストリーム間の繰り返しの説得について検討し、その度に送信側は未知の分布から独立に引き出されたペイオフ関連状態を観測する。
送信者は、状態情報を選択的に共有することにより、受信者を説得して送信者の好みに沿った行動を取る。
標準モデルとは対照的に、送信側も受信側もその分布を知らないため、送信側はオンザフライで分布を学習しながら説得しなければならない。
論文 参考訳（メタデータ） (2021-02-19T21:02:15Z) - Meaningful Answer Generation of E-Commerce Question-Answering [77.89755281215079]
eコマースポータルでは、製品関連の質問に対する回答を生成することが重要な課題となっている。
本稿では,MPAG(Meaningful Product Answer Generator)と呼ばれる新しい生成ニューラルモデルを提案する。
MPAGは、製品レビュー、製品属性、プロトタイプの回答を考慮に入れて、安全な回答問題を緩和します。
論文 参考訳（メタデータ） (2020-11-14T14:05:30Z)
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。