論文の概要: Affordable Generative Agents
- arxiv url: http://arxiv.org/abs/2402.02053v1
- Date: Sat, 3 Feb 2024 06:16:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 22:25:44.003456
- Title: Affordable Generative Agents
- Title(参考訳): 安価な生成剤
- Authors: Yangbin Yu, Qin Zhang, Junyou Li, Qiang Fu, Deheng Ye
- Abstract要約: 本研究では,エージェント環境とエージェント間の両方のレベルにおいて,信頼性と低コストのインタラクション生成を可能にするフレームワークを開発する。
複数の環境における大規模な実験により,提案手法の有効性と有効性を示した。
- 参考スコア(独自算出の注目度): 17.564711490225612
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The emergence of large language models (LLMs) has significantly advanced the
simulation of believable interactive agents. However, the substantial cost on
maintaining the prolonged agent interactions poses challenge over the
deployment of believable LLM-based agents. Therefore, in this paper, we develop
Affordable Generative Agents (AGA), a framework for enabling the generation of
believable and low-cost interactions on both agent-environment and inter-agents
levels. Specifically, for agent-environment interactions, we substitute
repetitive LLM inferences with learned policies; while for inter-agent
interactions, we model the social relationships between agents and compress
auxiliary dialogue information. Extensive experiments on multiple environments
show the effectiveness and efficiency of our proposed framework. Also, we delve
into the mechanisms of emergent believable behaviors lying in LLM agents,
demonstrating that agents can only generate finite behaviors in fixed
environments, based upon which, we understand ways to facilitate emergent
interaction behaviors. Our code is publicly available at:
\url{https://github.com/AffordableGenerativeAgents/Affordable-Generative-Agents}.
- Abstract(参考訳): 大規模言語モデル(LLM)の出現は,対話型エージェントのシミュレーションを大幅に進歩させた。
しかし、長期間にわたるエージェントの相互作用を維持するためのかなりのコストは、信じられないLSMベースのエージェントの配置に挑戦する。
そこで本稿では,エージェント環境とエージェント間の両方のレベルで,信頼性と低コストのインタラクション生成を可能にするフレームワークであるAffordable Generative Agents (AGA) を開発する。
具体的には,エージェントと環境の相互作用において,反復的LLM推論を学習ポリシーに置き換える。エージェント間相互作用ではエージェント間の社会的関係をモデル化し,補助対話情報を圧縮する。
複数の環境における実験により,提案手法の有効性と有効性を示した。
また,llmエージェントに横たわる創発的行動のメカニズムを考察し,エージェントは固定環境において有限な行動しか生成できないことを示し,創発的相互作用行動を促進する方法を理解した。
当社のコードは以下で公開されている。 \url{https://github.com/AffordableGenerativeAgents/Affordable-Generative-Agents}。
関連論文リスト
- Enforcing Temporal Constraints on Generative Agent Behavior with
Reactive Synthesis [1.1110995501996483]
生成エージェントを生成するために,形式論理に基づくプログラム合成と大規模言語モデルの組み合わせを提案する。
提案手法ではテンポラルストリーム論理(TSL)を用いてエージェントに時間的構造を強制するオートマトンを生成する。
我々は、様々なアプリケーションドメインに特化した協調型対話型エージェントの作成に関わる様々なタスクに対するアプローチを評価した。
論文 参考訳(メタデータ) (2024-02-24T21:36:26Z) - AgentScope: A Flexible yet Robust Multi-Agent Platform [66.61478569048477]
AgentScopeは、メッセージ交換をコアコミュニケーションメカニズムとする、開発者中心のマルチエージェントプラットフォームである。
堅牢で柔軟なマルチエージェントアプリケーションを目指して、AgentScopeはビルトインとカスタマイズ可能なフォールトトレランスメカニズムを提供する。
論文 参考訳(メタデータ) (2024-02-21T04:11:28Z) - AntEval: Evaluation of Social Interaction Competencies in LLM-Driven
Agents [65.16893197330589]
大規模言語モデル(LLM)は、幅広いシナリオで人間の振る舞いを再現する能力を示した。
しかし、複雑なマルチ文字のソーシャルインタラクションを扱う能力については、まだ完全には研究されていない。
本稿では,新しいインタラクションフレームワークと評価手法を含むマルチエージェントインタラクション評価フレームワーク(AntEval)を紹介する。
論文 参考訳(メタデータ) (2024-01-12T11:18:00Z) - Fact-based Agent modeling for Multi-Agent Reinforcement Learning [6.431977627644292]
Fact-based Agent Modeling (FAM) 法は,Fact-based belief inference (FBI) ネットワークがローカル情報のみに基づいて,部分的に観測可能な環境下で他のエージェントをモデル化する手法である。
種々のマルチエージェント粒子環境(MPE)上でFAMを評価し,その結果を最先端のMARLアルゴリズムと比較した。
論文 参考訳(メタデータ) (2023-10-18T19:43:38Z) - AgentCF: Collaborative Learning with Autonomous Language Agents for
Recommender Systems [112.76941157194544]
本稿では,エージェントベースの協調フィルタリングにより,レコメンデータシステムにおけるユーザとイテムのインタラクションをシミュレートするエージェントCFを提案する。
我々は、ユーザだけでなく、アイテムをエージェントとして、創造的に考慮し、両方のエージェントを同時に最適化する協調学習アプローチを開発します。
全体として、最適化されたエージェントは、ユーザ・イテム、ユーザ・ユーザ・ユーザ、アイテム・イテム、集合的インタラクションなど、フレームワーク内での多様なインタラクションの振る舞いを示す。
論文 参考訳(メタデータ) (2023-10-13T16:37:14Z) - ProAgent: Building Proactive Cooperative Agents with Large Language
Models [89.53040828210945]
ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。
ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。
ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
論文 参考訳(メタデータ) (2023-08-22T10:36:56Z) - AgentVerse: Facilitating Multi-Agent Collaboration and Exploring
Emergent Behaviors [93.38830440346783]
本稿では,その構成をより高機能なシステムとして協調的に調整できるマルチエージェントフレームワークを提案する。
実験により,フレームワークが単一エージェントより優れたマルチエージェントグループを効果的に展開できることが実証された。
これらの振舞いの観点から、我々は、ポジティブなものを活用し、ネガティブなものを緩和し、マルチエージェントグループの協調可能性を改善するためのいくつかの戦略について議論する。
論文 参考訳(メタデータ) (2023-08-21T16:47:11Z) - Multi-Agent Interactions Modeling with Correlated Policies [53.38338964628494]
本稿では,マルチエージェントインタラクションモデリング問題をマルチエージェント模倣学習フレームワークに実装する。
相関ポリシー(CoDAIL)を用いた分散型適応模倣学習アルゴリズムの開発
様々な実験により、CoDAILはデモレーターに近い複雑な相互作用をより良く再生できることが示されている。
論文 参考訳(メタデータ) (2020-01-04T17:31:53Z)
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。