論文の概要: Simulating Macroeconomic Expectations using LLM Agents
- arxiv url: http://arxiv.org/abs/2505.17648v2
- Date: Sat, 07 Jun 2025 13:13:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-10 16:33:10.114644
- Title: Simulating Macroeconomic Expectations using LLM Agents
- Title（参考訳）: LLMエージェントを用いたマクロ経済予測のシミュレーション
- Authors: Jianhao Lin, Lexuan Sun, Yixin Yan,
- Abstract要約: 我々は,Large Language Model-Empowered Agents (LLM Agents) を用いたマクロ経済予測形成をシミュレーションするための新しいフレームワークを提案する。
個人的特性,事前期待,知識のモジュールを備えたLLMエージェントを数千個構築することにより,家庭や専門家によるインフレーションと失業に関する調査実験を再現する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We introduce a novel framework for simulating macroeconomic expectation formation using Large Language Model-Empowered Agents (LLM Agents). By constructing thousands of LLM Agents equipped with modules for personal characteristics, prior expectations, and knowledge, we replicate a survey experiment involving households and experts on inflation and unemployment. Our results show that although the expectations and thoughts generated by LLM Agents are more homogeneous than those of human participants, they still effectively capture key heterogeneity across agents and the underlying drivers of expectation formation. Furthermore, a module-ablation exercise highlights the critical role of prior expectations in simulating such heterogeneity. This approach complements traditional survey methods and offers new insights into AI behavioral science in macroeconomic research.
- Abstract（参考訳）: 本稿では,Large Language Model-Empowered Agents (LLM Agents) を用いたマクロ経済予測生成のシミュレーションフレームワークを提案する。
個人的特性,事前期待,知識のモジュールを備えたLLMエージェントを数千個構築することにより,家庭や専門家によるインフレーションと失業に関する調査実験を再現する。
以上の結果から, LLMエージェントが生み出す期待と思考は, ヒトよりも均一であるが, エージェント間の重要な不均一性や, 期待形成の要因を効果的に捉えていることが明らかとなった。
さらに、モジュールアブレーションのエクササイズは、そのような不均一性をシミュレートする上で、事前期待の重要な役割を強調している。
このアプローチは従来の調査手法を補完し、マクロ経済学研究におけるAI行動科学の新しい洞察を提供する。
関連論文リスト
- SimuRA: Towards General Goal-Oriented Agent via Simulative Reasoning Architecture with LLM-Based World Model [88.04128601981145]
汎用エージェント推論のための目標指向アーキテクチャであるSimuRAを紹介する。
モデルネームは、シミュレーションによる計画のための世界モデルを導入することで、自己回帰推論の限界を克服する。
特に、ワールドモデルベースのプランニングは、自己回帰プランニングよりも最大124%の一貫性のあるアドバンテージを示している。
論文 参考訳（メタデータ） (2025-07-31T17:57:20Z) - Empowering Economic Simulation for Massively Multiplayer Online Games through Generative Agent-Based Modeling [53.26311872828166]
我々は,MMO経済シミュレーションにおいて,Large Language Models (LLMs) を用いた新しいアプローチを導入するための予備的なステップを採っている。
我々は人間のような意思決定と適応性を備えたLSM駆動型エージェントを設計する。
これらのエージェントはロールプレイング、知覚、記憶、推論の能力を備え、上記の課題を効果的に解決する。
論文 参考訳（メタデータ） (2025-06-05T07:21:13Z) - MaskSearch: A Universal Pre-Training Framework to Enhance Agentic Search Capability [106.35604230971396]
最近のエージェント技術の進歩により、大規模言語モデル(LLM)は、検索、計画、推論のためのツールを自律的に活用することができる。
エージェントの普遍的な検索能力を高めるために,新しい事前学習フレームワークMaskSearchを提案する。
事前学習の段階では、検索ツールを用いてマスク付きスパンを埋めるRetrieval Augmented Mask Prediction (RAMP)タスクを導入する。
その後、モデルは下流のタスクでトレーニングされ、さらなる改善が達成されます。
論文 参考訳（メタデータ） (2025-05-26T17:58:50Z) - Large Language Model Agent: A Survey on Methodology, Applications and Challenges [88.3032929492409]
大きな言語モデル(LLM)エージェントは、目標駆動の振る舞いと動的適応能力を持ち、人工知能への重要な経路を示す可能性がある。
本調査は, LLMエージェントシステムを方法論中心の分類法により体系的に分解する。
私たちの作業は、エージェントの構築方法、コラボレーション方法、時間の経過とともにどのように進化するか、という、統一されたアーキテクチャの視点を提供します。
論文 参考訳（メタデータ） (2025-03-27T12:50:17Z) - ReMA: Learning to Meta-think for LLMs with Multi-Agent Reinforcement Learning [54.787341008881036]
Reinforced Meta-thinking Agents(ReMA)は,MARL(Multi-Agent Reinforcement Learning)を利用したメタ思考行動の抽出手法である。
ReMAは、推論プロセスを2つの階層的なエージェントに分解する。戦略上の監視と計画を生成するハイレベルなメタ思考エージェントと、詳細な実行のための低レベルな推論エージェントである。
実験の結果、ReMAは複雑な推論タスクにおいて単一エージェントRLベースラインよりも優れていた。
論文 参考訳（メタデータ） (2025-03-12T16:05:31Z) - A Multi-LLM-Agent-Based Framework for Economic and Public Policy Analysis [0.0]
本稿では,多言語モデル(LLM)を異種人工経済エージェントとして活用することにより,経済・公共政策分析の新しいアプローチを開拓する。
まず,2周期消費配分問題の解決において,LLMの5つの経済意思決定能力を評価した。
LLMを特定の教育グループとそれに対応する収入ブラケットにマッピングすることで、MLAB(Multi-LLM-Agent-Based)フレームワークを構築する。
論文 参考訳（メタデータ） (2025-02-24T06:27:07Z) - GenSim: A General Social Simulation Platform with Large Language Model based Agents [111.00666003559324]
我々はtextitGenSim と呼ばれる新しい大規模言語モデル (LLM) ベースのシミュレーションプラットフォームを提案する。
我々のプラットフォームは10万のエージェントをサポートし、現実世界のコンテキストで大規模人口をシミュレートする。
我々の知る限り、GenSimは汎用的で大規模で修正可能な社会シミュレーションプラットフォームに向けた最初の一歩である。
論文 参考訳（メタデータ） (2024-10-06T05:02:23Z) - A Survey on Self-Evolution of Large Language Models [116.54238664264928]
大規模言語モデル(LLM)は、様々な分野やインテリジェントエージェントアプリケーションにおいて大きく進歩している。
この問題に対処するために、LLMが自律的に獲得し、洗練し、モデル自身によって生成された経験から学ぶことができる自己進化的アプローチが急速に成長している。
論文 参考訳（メタデータ） (2024-04-22T17:43:23Z) - Computational Experiments Meet Large Language Model Based Agents: A
Survey and Perspective [16.08517740276261]
計算実験は複雑なシステムを研究するための貴重な方法として登場した。
エージェントベースモデリング(ABM)における実際の社会システムを正確に表現することは、人間の多様性と複雑な特性のために困難である。
大規模言語モデル(LLM)の統合が提案され、エージェントが人為的な能力を持つことができる。
論文 参考訳（メタデータ） (2024-02-01T01:17:46Z) - EconAgent: Large Language Model-Empowered Agents for Simulating Macroeconomic Activities [43.70290385026672]
EconAgentは、マクロ経済シミュレーションのための人間のような特徴を持つ大規模言語モデルを用いたエージェントである。
まず,エージェントの判断による市場動態を取り入れたシミュレーション環境を構築する。
認識モジュールを通して、異なる意思決定機構を持つ異種エージェントを作成する。
論文 参考訳（メタデータ） (2023-10-16T14:19:40Z)
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。