論文の概要: Modeling Human Behavior in a Strategic Network Game with Complex Group Dynamics

• arxiv url: http://arxiv.org/abs/2505.03795v1
• Date: Thu, 01 May 2025 18:13:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:35.81511
• Title: Modeling Human Behavior in a Strategic Network Game with Complex Group Dynamics
• Title（参考訳）: 複雑なグループダイナミクスを用いた戦略ネットワークゲームにおける人間行動のモデル化
• Authors: Jacob W. Crandall, Jonathan Skaggs,
• Abstract要約: ジュニアハイゲーム(JHG)と呼ばれる戦略ネットワークゲームにおいて、人間の行動モデルを学ぶためのいくつかの手法を比較し、対比する。 その結果, 平均よりも人口分布をモデル化し, 人間は行動マッチングではなく, 地域社会に意識した行動を使用すると仮定した。 ユーザスタディによると、ヒトの参加者は他のヒトとhCABのエージェントを区別できないため、この戦略ネットワークゲームでは、個々のhCABの行動が人間の行動にもっともよく反映している。
• 参考スコア（独自算出の注目度）: 1.644433638087587
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human networks greatly impact important societal outcomes, including wealth and health inequality, poverty, and bullying. As such, understanding human networks is critical to learning how to promote favorable societal outcomes. As a step toward better understanding human networks, we compare and contrast several methods for learning models of human behavior in a strategic network game called the Junior High Game (JHG). These modeling methods differ with respect to the assumptions they use to parameterize human behavior (behavior vs. community-aware behavior) and the statistical moments they model (mean vs. distribution). Results show that the highest-performing method models the population's distribution rather than the mean and assumes humans use community-aware behavior rather than behavior matching. When applied to small societies (6-11 individuals), this learned model, called hCAB, closely mirrors the population dynamics of human groups (with some differences). Additionally, a user study reveals that human participants were unable to distinguish hCAB agents from other humans, thus illustrating that individual hCAB behavior plausibly mirrors human behavior in this strategic network game.
• Abstract（参考訳）: 人的ネットワークは、富や健康の不平等、貧困、いじめなど、社会的な重要な成果に大きな影響を及ぼす。 このように、人間のネットワークを理解することは、好ましい社会的成果を促進する方法を学ぶために重要である。 人的ネットワークをよりよく理解するためのステップとして,JHG(Junior High Game)と呼ばれる戦略ネットワークゲームにおいて,人間の行動モデルを学ぶためのいくつかの手法を比較し,対比する。 これらのモデリング手法は、人間の行動(行動対地域社会認識行動)と、それらがモデル化する統計モーメント(平均対分布)のパラメータ化に使用する仮定について異なる。 その結果, 平均よりも人口分布をモデル化し, 人間は行動マッチングではなく, 地域社会に意識した行動を使用すると仮定した。 小さい社会(6～11人)に適用すると、この学習モデルはhCABと呼ばれ、人間集団の人口動態をよく反映する(若干の違いがある)。 さらに、ユーザー研究により、ヒトの参加者は他のヒトとhCABのエージェントを区別できないことが明らかとなり、この戦略ネットワークゲームにおいて、個々のhCABの行動が人間の行動をもっともよく反映していることが明らかになった。

関連論文リスト

• SocioVerse: A World Model for Social Simulation Powered by LLM Agents and A Pool of 10 Million Real-World Users [70.02370111025617]
  本稿では,社会シミュレーションのためのエージェント駆動世界モデルであるSocioVerseを紹介する。 私たちのフレームワークは、4つの強力なアライメントコンポーネントと1000万の実際の個人からなるユーザプールを備えています。 SocioVerseは、多様性、信頼性、代表性を確保しつつ、大規模な人口動態を反映できることを示した。
  論文  参考訳（メタデータ） (2025-04-14T12:12:52Z)
• Aligning Machine and Human Visual Representations across Abstraction Levels [42.86478924838503]
  深層ニューラルネットワークは、視覚タスクにおける人間の振る舞いのモデルなど、幅広いアプリケーションで成功している。 しかしながら、ニューラルネットワークのトレーニングと人間の学習は基本的な方法で異なり、ニューラルネットワークは人間のように堅牢に一般化できないことが多い。 人間の概念的知識は、きめ細かいものから粗いものまで階層的に構成されているが、モデル表現は、これらの抽象レベルをすべて正確に捉えているわけではない。 このミスアライメントに対処するために、私たちはまず、人間の判断を模倣するために教師モデルを訓練し、その表現から事前訓練された状態に人間のような構造を移す。
  論文  参考訳（メタデータ） (2024-09-10T13:41:08Z)
• Learning to Influence Human Behavior with Offline Reinforcement Learning [70.7884839812069]
  人間の準最適性を捉える必要があるような環境での影響に焦点を当てる。 人間によるオンライン実験は安全ではない可能性があり、環境の高忠実度シミュレータを作成することは現実的ではないことが多い。 オフライン強化学習は、観察された人間・人間の行動の要素を拡張し、組み合わせることで、人間に効果的に影響を及ぼすことができることを示す。
  論文  参考訳（メタデータ） (2023-03-03T23:41:55Z)
• Incorporating Rivalry in Reinforcement Learning for a Competitive Game [65.2200847818153]
  本研究は,競争行動の社会的影響に基づく新しい強化学習機構を提案する。 提案モデルでは, 人工エージェントの学習を調節するための競合スコアを導出するために, 客観的, 社会的認知的メカニズムを集約する。
  論文  参考訳（メタデータ） (2022-08-22T14:06:06Z)
• Modeling Human Behavior Part I -- Learning and Belief Approaches [0.0]
  探索とフィードバックを通じて行動のモデルや方針を学ぶ手法に焦点を当てる。 次世代の自律的適応システムは、主にAIエージェントと人間がチームとして一緒に働く。
  論文  参考訳（メタデータ） (2022-05-13T07:33:49Z)
• Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
  本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。 本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
  論文  参考訳（メタデータ） (2020-07-07T17:19:56Z)

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。