論文の概要: An Interpretable Automated Mechanism Design Framework with Large Language Models
- arxiv url: http://arxiv.org/abs/2502.12203v1
- Date: Sun, 16 Feb 2025 12:33:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-19 14:09:40.250285
- Title: An Interpretable Automated Mechanism Design Framework with Large Language Models
- Title(参考訳): 大規模言語モデルを用いた解釈可能な自動メカニズム設計フレームワーク
- Authors: Jiayuan Liu, Mingyu Guo, Vincent Conitzer,
- Abstract要約: メカニズムは長い間経済理論の基盤であり、伝統的なアプローチは数学的導出に依存してきた。
支払いとアロケーションを設計するために、ニューラルネットワークを使った微分経済学を含む最近の自動化アプローチが出現している。
コード生成タスクとしてメカニズム設計を再構築する新しいフレームワークを導入する。
- 参考スコア(独自算出の注目度): 26.89126917895188
- License:
- Abstract: Mechanism design has long been a cornerstone of economic theory, with traditional approaches relying on mathematical derivations. Recently, automated approaches, including differentiable economics with neural networks, have emerged for designing payments and allocations. While both analytical and automated methods have advanced the field, they each face significant weaknesses: mathematical derivations are not automated and often struggle to scale to complex problems, while automated and especially neural-network-based approaches suffer from limited interpretability. To address these challenges, we introduce a novel framework that reformulates mechanism design as a code generation task. Using large language models (LLMs), we generate heuristic mechanisms described in code and evolve them to optimize over some evaluation metrics while ensuring key design criteria (e.g., strategy-proofness) through a problem-specific fixing process. This fixing process ensures any mechanism violating the design criteria is adjusted to satisfy them, albeit with some trade-offs in performance metrics. These trade-offs are factored in during the LLM-based evolution process. The code generation capabilities of LLMs enable the discovery of novel and interpretable solutions, bridging the symbolic logic of mechanism design and the generative power of modern AI. Through rigorous experimentation, we demonstrate that LLM-generated mechanisms achieve competitive performance while offering greater interpretability compared to previous approaches. Notably, our framework can rediscover existing manually designed mechanisms and provide insights into neural-network based solutions through Programming-by-Example. These results highlight the potential of LLMs to not only automate but also enhance the transparency and scalability of mechanism design, ensuring safe deployment of the mechanisms in society.
- Abstract(参考訳): メカニズムデザインは長い間、数学的導出に依存した伝統的なアプローチによって、経済理論の基盤となった。
最近では、支払いやアロケーションを設計する手段として、ニューラルネットワークを使った微分経済学を含む自動アプローチが登場している。
数学的導出は自動化されておらず、しばしば複雑な問題にスケールするのに苦労するが、自動化された、特に神経ネットワークに基づくアプローチは限定的な解釈可能性に悩まされる。
これらの課題に対処するために、コード生成タスクとしてメカニズム設計を再構成する新しいフレームワークを導入する。
大規模言語モデル(LLM)を用いて、コードで記述されたヒューリスティックなメカニズムを生成し、それを進化させ、いくつかの評価指標を最適化し、問題固有の修正プロセスを通じて重要な設計基準(例えば、戦略保護性)を保証します。
この修正プロセスは、設計基準に違反するメカニズムが、パフォーマンス指標のトレードオフがあるにもかかわらず、それらを満たすように調整されることを保証する。
これらのトレードオフは、LLMベースの進化過程において決定される。
LLMのコード生成能力は、新しい、解釈可能なソリューションの発見を可能にし、メカニズム設計のシンボリックロジックと現代のAIの生成力をブリッジする。
厳密な実験を通じて,LLM生成機構が従来の手法に比べて高い解釈性を提供しながら,競争性能を実現することを示した。
特に,我々のフレームワークは,既存の手動設計機構を再発見し,プログラミング・バイ・例示によるニューラル・ネットワーク・ベースのソリューションに関する洞察を提供する。
これらの結果は,LLMの自動化だけでなく,機構設計の透明性と拡張性の向上,社会における機構の安全な展開を確実にする可能性を強調している。
関連論文リスト
- Towards a Probabilistic Framework for Analyzing and Improving LLM-Enabled Software [0.0]
大規模言語モデル(LLM)対応システムは、ソフトウェア工学において重要な課題である。
本稿では,これらのシステムを体系的に解析し,改善するための確率的枠組みを提案する。
本稿では,自然言語文書を形式的プログラム仕様に変換する自動形式化問題に適用する。
論文 参考訳(メタデータ) (2025-01-10T22:42:06Z) - Rethinking Strategic Mechanism Design In The Age Of Large Language Models: New Directions For Communication Systems [1.0468715529145969]
本稿では,大規模言語モデル(LLM)の通信ネットワークにおける特定の目的のための戦略機構設計への応用について検討する。
目的仕様から最終定式化まで,戦略機構設計プロセスの自動化あるいは半自動化にLLMを活用することを提案する。
論文 参考訳(メタデータ) (2024-11-30T14:32:48Z) - Towards Scalable Automated Alignment of LLMs: A Survey [54.820256625544225]
本稿では,最近登場した自動アライメントの手法を体系的にレビューする。
既存の自動アライメント手法をアライメント信号のソースに基づいて4つの主要なカテゴリに分類する。
本稿では,アライメントの基本的役割から,自動アライメント技術の実現を可能にする重要な要因について論じる。
論文 参考訳(メタデータ) (2024-06-03T12:10:26Z) - The Buffer Mechanism for Multi-Step Information Reasoning in Language Models [52.77133661679439]
大きな言語モデルの内部的推論メカニズムを調べることは、よりよいモデルアーキテクチャとトレーニング戦略を設計するのに役立ちます。
本研究では,トランスフォーマーモデルが垂直思考戦略を採用するメカニズムを解明するために,シンボリックデータセットを構築した。
我々は,GPT-2モデルに必要なトレーニング時間を75%削減し,モデルの推論能力を高めるために,ランダムな行列ベースアルゴリズムを提案した。
論文 参考訳(メタデータ) (2024-05-24T07:41:26Z) - AutoTRIZ: Artificial Ideation with TRIZ and Large Language Models [2.7624021966289605]
発明的問題解決の理論は、体系的なイノベーションに広く適用されている。
TRIZリソースと概念の複雑さは、ユーザの知識、経験、推論能力への依存と相まって、実用性を制限する。
提案するAutoTRIZは,LPMを用いてTRIZ手法を自動化・拡張する人工的思考ツールである。
論文 参考訳(メタデータ) (2024-03-13T02:53:36Z) - Explainable Automated Machine Learning for Credit Decisions: Enhancing
Human Artificial Intelligence Collaboration in Financial Engineering [0.0]
本稿では、金融工学領域における説明可能な自動機械学習(AutoML)の統合について検討する。
AutoMLは、クレジットスコアリングのための堅牢な機械学習モデルの開発を合理化する方法に重点を置いている。
この調査結果は、AI主導の金融決定の透明性と説明責任を改善する上で、説明可能なAutoMLの可能性を強調している。
論文 参考訳(メタデータ) (2024-02-06T08:47:16Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳(メタデータ) (2024-01-11T15:02:15Z) - Pessimism meets VCG: Learning Dynamic Mechanism Design via Offline
Reinforcement Learning [114.36124979578896]
オフライン強化学習アルゴリズムを用いて動的メカニズムを設計する。
我々のアルゴリズムは悲観主義の原理に基づいており、オフラインデータセットのカバレッジについて軽度な仮定しか必要としない。
論文 参考訳(メタデータ) (2022-05-05T05:44:26Z) - Learning Dynamic Mechanisms in Unknown Environments: A Reinforcement Learning Approach [123.55983746427572]
本稿では,複数ラウンドの対話を通して動的ビックレー・クラーク・グローブ(VCG)機構を回復するための新しい学習アルゴリズムを提案する。
当社のアプローチの重要な貢献は、報酬のないオンライン強化学習(RL)を取り入れて、リッチな政策分野の探索を支援することである。
論文 参考訳(メタデータ) (2022-02-25T16:17:23Z) - AutonoML: Towards an Integrated Framework for Autonomous Machine
Learning [9.356870107137095]
Reviewは、自動化された自動MLシステムを構成するものに関して、より広範な視点を動機付けようとしている。
その上で、以下の研究領域の開発状況を調査します。
我々は、各トピックによって拡張されたレビューを通して概念的枠組みを開発し、高レベルなメカニズムを自律mlシステムに融合する方法を1つ紹介する。
論文 参考訳(メタデータ) (2020-12-23T11:01:10Z) - Technology Readiness Levels for AI & ML [79.22051549519989]
機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。
エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。
我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
論文 参考訳(メタデータ) (2020-06-21T17:14:34Z)
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。