論文の概要: InfoBid: A Simulation Framework for Studying Information Disclosure in Auctions with Large Language Model-based Agents

• arxiv url: http://arxiv.org/abs/2503.22726v1
• Date: Wed, 26 Mar 2025 04:46:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:33:00.997899
• Title: InfoBid: A Simulation Framework for Studying Information Disclosure in Auctions with Large Language Model-based Agents
• Title（参考訳）: InfoBid:大規模言語モデルに基づくエージェントによるオークションにおける情報開示のシミュレーションフレームワーク
• Authors: Yue Yin,
• Abstract要約: この研究は、理論的市場設計と実践的応用のギャップを埋め、市場シミュレーション、情報設計、エージェントベースの推論の研究を進める。 LLMエージェントを利用したフレキシブルなシミュレーションフレームワークInfoBidを導入し,マルチエージェントオークション設定における情報開示戦略の効果について検討する。
• 参考スコア（独自算出の注目度）: 1.9368956071944328
• License:
• Abstract: In online advertising systems, publishers often face a trade-off in information disclosure strategies: while disclosing more information can enhance efficiency by enabling optimal allocation of ad impressions, it may lose revenue potential by decreasing uncertainty among competing advertisers. Similar to other challenges in market design, understanding this trade-off is constrained by limited access to real-world data, leading researchers and practitioners to turn to simulation frameworks. The recent emergence of large language models (LLMs) offers a novel approach to simulations, providing human-like reasoning and adaptability without necessarily relying on explicit assumptions about agent behavior modeling. Despite their potential, existing frameworks have yet to integrate LLM-based agents for studying information asymmetry and signaling strategies, particularly in the context of auctions. To address this gap, we introduce InfoBid, a flexible simulation framework that leverages LLM agents to examine the effects of information disclosure strategies in multi-agent auction settings. Using GPT-4o, we implemented simulations of second-price auctions with diverse information schemas. The results reveal key insights into how signaling influences strategic behavior and auction outcomes, which align with both economic and social learning theories. Through InfoBid, we hope to foster the use of LLMs as proxies for human economic and social agents in empirical studies, enhancing our understanding of their capabilities and limitations. This work bridges the gap between theoretical market designs and practical applications, advancing research in market simulations, information design, and agent-based reasoning while offering a valuable tool for exploring the dynamics of digital economies.
• Abstract（参考訳）: オンライン広告システムでは、パブリッシャーはしばしば情報開示戦略のトレードオフに直面している: より多くの情報を公開することは、広告インプレッションを最適に割り当てることによって効率を高めることができるが、競合する広告主の間で不確実性を低下させることで、収益の可能性を失う可能性がある。 市場設計における他の課題と同様に、このトレードオフを理解することは、現実世界のデータへのアクセス制限によって制約され、研究者や実践者がシミュレーションフレームワークに切り替えることになる。 近年の大規模言語モデル(LLM)の出現は、エージェントの振る舞いモデリングに関する明示的な仮定に頼ることなく、人間のような推論と適応性を提供する、シミュレーションの新しいアプローチを提供する。 それらの可能性にもかかわらず、既存のフレームワークは、情報非対称性やシグナリング戦略、特にオークションの文脈において、LSMベースのエージェントをまだ統合していない。 このギャップに対処するために,LLMエージェントを利用したフレキシブルなシミュレーションフレームワークInfoBidを導入し,マルチエージェントオークション設定における情報開示戦略の効果について検討する。 GPT-4oを用いて,多様な情報スキーマを用いた第2価格オークションのシミュレーションを実装した。 その結果、シグナルが戦略的行動やオークションの結果にどのように影響するかという重要な洞察が示され、これは経済と社会の学習理論の双方に一致する。 InfoBidを通じて、実証研究における人間経済・社会エージェントのプロキシとしてのLLMの使用を促進し、その能力と限界の理解を深めたい。 この研究は、理論的市場設計と実践的応用のギャップを埋め、市場シミュレーション、情報設計、エージェントベースの推論の研究を進めながら、デジタル経済のダイナミクスを探求するための貴重なツールを提供する。

関連論文リスト

• Evaluating the Performance of Large Language Models in Scientific Claim Detection and Classification [0.0]
  本研究では,Twitterのようなプラットフォーム上での誤情報を緩和する革新的な手法として,LLM(Large Language Models)の有効性を評価する。 LLMは、従来の機械学習モデルに関連する広範なトレーニングと過度に適合する問題を回避し、事前訓練された適応可能なアプローチを提供する。 特定データセットを用いたLCMの性能の比較分析を行い、公衆衛生コミュニケーションへの応用のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-21T05:02:26Z)
• SRAP-Agent: Simulating and Optimizing Scarce Resource Allocation Policy with LLM-based Agent [45.41401816514924]
  本稿では,大規模言語モデル(LLM)を経済シミュレーションに統合する,革新的なフレームワークSRAP-Agentを提案する。 我々は、SRAP-Agentの有効性と有効性を検証するために、広範な政策シミュレーション実験を行う。
  論文  参考訳（メタデータ） (2024-10-18T03:43:42Z)
• Large Language Model-driven Multi-Agent Simulation for News Diffusion Under Different Network Structures [36.45109260662318]
  この研究は、情報エコシステム内の複雑な相互作用を再現するために、大規模言語モデル(LLM)によるマルチエージェントシミュレーションを用いている。 エージェントのパーソナリティやネットワーク構造など,ニュースの伝播を促進する重要な要因について検討する。 我々は3つの対策策を評価し、ネットワーク内の影響力のあるエージェントをブロックするブルートフォースを発見するか、あるいはニュースの正確性を示すことで、誤情報を効果的に軽減することができる。
  論文  参考訳（メタデータ） (2024-10-16T23:58:26Z)
• On the limits of agency in agent-based models [13.130587222524305]
  エージェントベースモデリングは複雑なシステムに対する強力な洞察を提供するが、その実用性は計算の制約によって制限されている。 大規模言語モデル(LLM)の最近の進歩は、適応エージェントによるABMを強化する可能性があるが、大規模なシミュレーションへの統合は依然として困難である。 大規模シミュレーションにおいて,行動複雑性と計算効率のバランスをとる手法であるLSMアーチタイプを提案する。
  論文  参考訳（メタデータ） (2024-09-14T04:17:24Z)
• Cognitive LLMs: Towards Integrating Cognitive Architectures and Large Language Models for Manufacturing Decision-making [51.737762570776006]
  LLM-ACTRは、ヒトに適応し、多目的な意思決定を提供する新しいニューロシンボリックアーキテクチャである。 我々のフレームワークは、ACT-Rの内部決定過程の知識を潜在神経表現として抽出し、組み込む。 デザイン・フォー・マニュファクチャリング・タスクに関する我々の実験は、タスク性能の向上と基礎的意思決定能力の向上を両立させたものである。
  論文  参考訳（メタデータ） (2024-08-17T11:49:53Z)
• When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
  LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
  論文  参考訳（メタデータ） (2024-07-15T06:49:30Z)
• Rethinking Machine Unlearning for Large Language Models [85.92660644100582]
  大規模言語モデル(LLM)の領域における機械学習の研究 このイニシアチブは、望ましくないデータの影響(機密情報や違法情報など)と関連するモデル機能を排除することを目的としている。
  論文  参考訳（メタデータ） (2024-02-13T20:51:58Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• Finding General Equilibria in Many-Agent Economic Simulations Using Deep Reinforcement Learning [72.23843557783533]
  本研究では,エージェント種別のメタゲームに対して,エプシロン・ナッシュ平衡である安定解を求めることができることを示す。 私たちのアプローチはより柔軟で、例えば市場クリア化のような非現実的な仮定は必要ありません。 当社のアプローチは、実際のビジネスサイクルモデル、DGEモデルの代表的なファミリー、100人の労働者消費者、10社の企業、税金と再分配を行う政府で実証しています。
  論文  参考訳（メタデータ） (2022-01-03T17:00:17Z)

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。