論文の概要: Large Language Models for Multi-Facility Location Mechanism Design

• arxiv url: http://arxiv.org/abs/2503.09533v1
• Date: Wed, 12 Mar 2025 16:49:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:35:11.292915
• Title: Large Language Models for Multi-Facility Location Mechanism Design
• Title（参考訳）: 多機能位置決め機構設計のための大規模言語モデル
• Authors: Nguyen Thach, Fei Liu, Houyu Zhou, Hau Chan,
• Abstract要約: 深層学習モデルは、マルチファシリティロケーションのための戦略防御メカニズムの代替として提案されている。 LLMMechと呼ばれる新しいアプローチを導入し、大きな言語モデルを進化のフレームワークに組み込むことにより、これらの制限に対処する。 実験の結果, LLM生成機構は, 既存の手作りベースラインやディープラーニングモデルよりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 16.88708405619343
• License:
• Abstract: Designing strategyproof mechanisms for multi-facility location that optimize social costs based on agent preferences had been challenging due to the extensive domain knowledge required and poor worst-case guarantees. Recently, deep learning models have been proposed as alternatives. However, these models require some domain knowledge and extensive hyperparameter tuning as well as lacking interpretability, which is crucial in practice when transparency of the learned mechanisms is mandatory. In this paper, we introduce a novel approach, named LLMMech, that addresses these limitations by incorporating large language models (LLMs) into an evolutionary framework for generating interpretable, hyperparameter-free, empirically strategyproof, and nearly optimal mechanisms. Our experimental results, evaluated on various problem settings where the social cost is arbitrarily weighted across agents and the agent preferences may not be uniformly distributed, demonstrate that the LLM-generated mechanisms generally outperform existing handcrafted baselines and deep learning models. Furthermore, the mechanisms exhibit impressive generalizability to out-of-distribution agent preferences and to larger instances with more agents.
• Abstract（参考訳）: エージェントの選好に基づく社会的コストを最適化するマルチファシリティロケーションのための戦略防御機構の設計は、広範なドメイン知識と最悪の場合の保証のために困難であった。 近年,代替としてディープラーニングモデルが提案されている。 しかし、これらのモデルには、いくつかのドメイン知識と広範なハイパーパラメータチューニング、および解釈可能性の欠如が必要であり、これは学習メカニズムの透明性が必須である場合の実践上極めて重要である。 本稿では,大規模言語モデル(LLM)を解釈可能,ハイパーパラメータフリー,実証的戦略的,ほぼ最適なメカニズムを生成する進化的フレームワークに組み込むことにより,これらの制約に対処する,LLMMechという新しいアプローチを提案する。 エージェント間で社会的コストが任意に重み付けされ,エージェントの選好が均一に分散されないような様々な問題設定で評価した結果, LLM生成機構は, 既存の手作りベースラインやディープラーニングモデルよりも優れていたことが実証された。 さらに, この機構は, 分配エージェントの嗜好や, より多くのエージェントを持つ大規模インスタンスに対して, 顕著な一般化性を示す。

関連論文リスト

• An Interpretable Automated Mechanism Design Framework with Large Language Models [26.89126917895188]
  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。
  論文  参考訳（メタデータ） (2025-02-16T12:33:03Z)
• Expressive and Generalizable Low-rank Adaptation for Large Models via Slow Cascaded Learning [55.5715496559514]
  LoRA Slow Cascade Learning (LoRASC)は、LoRAの表現性と一般化能力を高めるために設計された革新的な技術である。 提案手法は,混合低ランク適応を可能にするカスケード学習戦略により表現性を増強し,複雑なパターンをキャプチャするモデルの能力を高める。
  論文  参考訳（メタデータ） (2024-07-01T17:28:59Z)
• LLM4Rerank: LLM-based Auto-Reranking Framework for Recommendations [51.76373105981212]
  リグレードはレコメンデーションシステムにおいて重要な要素であり、レコメンデーションアルゴリズムの出力を精査する上で重要な役割を果たす。 そこで我々は,様々な格付け基準をシームレスに統合する包括的格付けフレームワークを提案する。 カスタマイズ可能な入力機構も統合されており、言語モデルのフォーカスを特定の再配置のニーズに合わせることができる。
  論文  参考訳（メタデータ） (2024-06-18T09:29:18Z)
• Learning and Calibrating Heterogeneous Bounded Rational Market Behaviour with Multi-Agent Reinforcement Learning [4.40301653518681]
  エージェントベースモデル(ABM)は、従来の平衡解析と相容れない様々な実世界の現象をモデル化することを約束している。 マルチエージェント強化学習(MARL)の最近の進歩は、合理性の観点からこの問題に対処する方法を提供する。 MARLフレームワーク内で不均一な処理制約を持つエージェントを表現するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-02-01T17:21:45Z)
• Refined Mechanism Design for Approximately Structured Priors via Active Regression [50.71772232237571]
  我々は、大量の商品を戦略的入札者に販売する収益を最大化する販売業者の問題を考える。 この設定の最適かつほぼ最適のメカニズムは、特徴付けや計算が難しいことで有名である。
  論文  参考訳（メタデータ） (2023-10-11T20:34:17Z)
• 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)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• 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)
• Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
  本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。 フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。 低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
  論文  参考訳（メタデータ） (2020-12-10T03:24:53Z)
• Reinforcement Learning of Sequential Price Mechanisms [24.302600030585275]
  本稿では、間接的なメカニズムに強化学習を導入し、既存のシーケンシャルな価格体系のクラスで作業する。 提案手法は,複数の実験環境において最適あるいは準最適メカニズムを学習可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-02T19:57:25Z)

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。