論文の概要: A Negotiator's Backup Plan: Optimal Concessions with a Reservation Value

• arxiv url: http://arxiv.org/abs/2404.19361v1
• Date: Tue, 30 Apr 2024 08:45:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-01 14:54:33.951935
• Title: A Negotiator's Backup Plan: Optimal Concessions with a Reservation Value
• Title（参考訳）: 交渉者のバックアッププラン:貯蓄値による最適譲歩
• Authors: Tamara C. P. Florijn, Pinar Yolum, Tim Baarslag,
• Abstract要約: 本稿では,個人予約値との双方向交渉を行うため,MIA-RVelousと呼ばれる入札戦略を開発する。 提案したグリーディアルゴリズムは、エージェントが相手に対する信念を$O(n2D)$ timeで考えると、最適な入札順序を求める。
• 参考スコア（独自算出の注目度）: 3.3058382994863984
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated negotiation is a well-known mechanism for autonomous agents to reach agreements. To realize beneficial agreements quickly, it is key to employ a good bidding strategy. When a negotiating agent has a good back-up plan, i.e., a high reservation value, failing to reach an agreement is not necessarily disadvantageous. Thus, the agent can adopt a risk-seeking strategy, aiming for outcomes with a higher utilities. Accordingly, this paper develops an optimal bidding strategy called MIA-RVelous for bilateral negotiations with private reservation values. The proposed greedy algorithm finds the optimal bid sequence given the agent's beliefs about the opponent in $O(n^2D)$ time, with $D$ the maximum number of rounds and $n$ the number of outcomes. The results obtained here can pave the way to realizing effective concurrent negotiations, given that concurrent negotiations can serve as a (probabilistic) backup plan.
• Abstract（参考訳）: 自動交渉は、自律エージェントが合意に達するためのよく知られたメカニズムである。 有利な合意を迅速に達成するためには、良い入札戦略を採用することが鍵となる。 交渉エージェントが良好なバックアッププラン、すなわち高い予約値を持ち、合意に達しない場合には、必ずしも不利ではない。 これにより、エージェントはリスク検索戦略を適用でき、より高いユーティリティで成果を期待できる。 そこで本研究では,MIA-RVelousと呼ばれる,個人予約値との双方向交渉のための入札戦略を開発した。 提案したグリーディアルゴリズムは、エージェントが相手に対する信念を$O(n^2D)$時間で考慮し、ラウンドの最大数と$n$で、最適な入札順序を求める。 ここで得られた結果は、同時交渉が(確率的な)バックアッププランとして機能することを考えると、効果的な同時交渉を実現するための道を開くことができる。

関連論文リスト

• Procurement Auctions via Approximately Optimal Submodular Optimization [53.93943270902349]
  競売業者がプライベートコストで戦略的売り手からサービスを取得しようとする競売について検討する。 我々の目標は、取得したサービスの品質と販売者の総コストとの差を最大化する計算効率の良いオークションを設計することである。
  論文  参考訳（メタデータ） (2024-11-20T18:06:55Z)
• 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)
• Assistive Large Language Model Agents for Socially-Aware Negotiation Dialogues [47.977032883078664]
  我々はLarge Language Models(LLM)に基づく支援エージェントを開発する。 2つのLLMエージェントをロールプレイに参加させることで、ビジネス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仲介役として機能する。
  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)
• Learning Multi-Agent Intention-Aware Communication for Optimal Multi-Order Execution in Finance [96.73189436721465]
  まず,現実的な制約を考慮したマルチオーダー実行のためのマルチエージェントRL(MARL)手法を提案する。 本稿では,学習可能なマルチラウンド通信プロトコルを提案する。 2つの実世界の市場のデータに関する実験では、優れたパフォーマンスを示し、コラボレーションの有効性が著しく向上した。
  論文  参考訳（メタデータ） (2023-07-06T16:45:40Z)
• Language of Bargaining [60.218128617765046]
  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。 我々の研究は、交渉の結果を予測する言語信号も明らかにしている。
  論文  参考訳（メタデータ） (2023-06-12T13:52:01Z)
• Universal Trading for Order Execution with Oracle Policy Distillation [99.57416828489568]
  本稿では,不完全な市場状態と注文実行のための最適な行動シーケンスとのギャップを埋める,新たなユニバーサル取引ポリシー最適化フレームワークを提案する。 本研究の枠組みは,完全情報を持つ託宣教師による実践的最適実行に向けて,共通政策の学習を指導する上で有効であることを示す。
  論文  参考訳（メタデータ） (2021-01-28T05:52:18Z)
• Negotiating Team Formation Using Deep Reinforcement Learning [32.066083116314815]
  深層強化学習を用いてチームを交渉・形成するための訓練エージェントのための枠組みを提案する。 我々は,非空間的および空間的に拡張されたチーム・フォーム交渉環境に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2020-10-20T15:41:23Z)
• 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)
• Automated Configuration of Negotiation Strategies [0.0]
  入札と受理戦略は、線形加法および非線形効用関数を持つシナリオにおける交渉の結果に大きな影響を及ぼす。 提案手法は,自動アルゴリズムの構成を利用して,特定のネゴシエーション設定のための最善の戦略を見つける手法である。 自動設定されたエージェントは他のエージェントよりも優れており、次のエージェントに比べて交渉のペイオフが5.1%増加していることを示す。
  論文  参考訳（メタデータ） (2020-03-31T20:31:33Z)
• A Deep Reinforcement Learning Approach to Concurrent Bilateral Negotiation [6.484413431061962]
  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。
  論文  参考訳（メタデータ） (2020-01-31T12:05:46Z)

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。