論文の概要: Behavioral Generative Agents for Energy Operations

• arxiv url: http://arxiv.org/abs/2506.12664v1
• Date: Sat, 14 Jun 2025 23:51:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:46.614351
• Title: Behavioral Generative Agents for Energy Operations
• Title（参考訳）: エネルギー運用のための行動生成剤
• Authors: Cong Chen, Omer Karaduman, Xu Kuang,
• Abstract要約: 本稿では,動的エネルギー運用における顧客の意思決定を現実的にシミュレートする,大規模言語モデルを利用した生成エージェントを活用した新しい手法を提案する。 これらのエージェントは、より単純な市場シナリオにおいてより最適かつ合理的に振る舞う一方で、タスクの複雑さが増大するにつれて、そのパフォーマンスがより変動し、より最適になることを示す。 本研究は,エネルギー政策とインセンティブプログラムの設計と効果を改善するため,生成剤をエネルギー管理シミュレーションに統合する可能性を強調した。
• 参考スコア（独自算出の注目度）: 2.9182357325967145
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately modeling consumer behavior in energy operations remains challenging due to inherent uncertainties, behavioral complexities, and limited empirical data. This paper introduces a novel approach leveraging generative agents--artificial agents powered by large language models--to realistically simulate customer decision-making in dynamic energy operations. We demonstrate that these agents behave more optimally and rationally in simpler market scenarios, while their performance becomes more variable and suboptimal as task complexity rises. Furthermore, the agents exhibit heterogeneous customer preferences, consistently maintaining distinct, persona-driven reasoning patterns. Our findings highlight the potential value of integrating generative agents into energy management simulations to improve the design and effectiveness of energy policies and incentive programs.
• Abstract（参考訳）: エネルギー運用における消費者の行動の正確なモデル化は、固有の不確実性、振る舞いの複雑さ、限られた経験的データのために依然として困難である。 本稿では,動的エネルギー運用における顧客の意思決定を現実的にシミュレートする,大規模言語モデルを利用した生成エージェントを活用した新しい手法を提案する。 これらのエージェントは、より単純な市場シナリオにおいてより最適かつ合理的に振る舞う一方で、タスクの複雑さが増大するにつれて、そのパフォーマンスがより変動し、より最適になることを示す。 さらに、エージェントは異質な顧客嗜好を示し、一貫したパーソナ駆動推論パターンを維持している。 本研究は,エネルギー政策とインセンティブプログラムの設計と効果を改善するため,生成剤をエネルギー管理シミュレーションに統合する可能性を強調した。

関連論文リスト

• The Cost of Dynamic Reasoning: Demystifying AI Agents and Test-Time Scaling from an AI Infrastructure Perspective [3.0868637098088403]
  大規模言語モデル(LLM)ベースのAIエージェントは最近、動的推論を採用することで、印象的な汎用性を示した。 本稿では,AIエージェントを包括的に分析し,リソース使用量,遅延動作,エネルギー消費,テストタイムスケーリング戦略を定量化する。 その結果,エージェントは計算量の増加によって精度が向上する一方で,急速に低下するリターン,レイテンシのばらつきの拡大,持続不可能なインフラストラクチャコストに悩まされていることがわかった。
  論文  参考訳（メタデータ） (2025-06-04T14:37:54Z)
• Proactive Agent: Shifting LLM Agents from Reactive Responses to Active Assistance [95.03771007780976]
  我々は、人間の指示なしにタスクを予測および開始できるプロアクティブエージェントを開発するという課題に取り組む。 まず,実世界の人的活動を収集し,前向きなタスク予測を生成する。 これらの予測は、ヒトのアノテータによって受け入れられるか拒否されるかのどちらかとしてラベル付けされる。 ラベル付きデータは、人間の判断をシミュレートする報酬モデルをトレーニングするために使用される。
  論文  参考訳（メタデータ） (2024-10-16T08:24:09Z)
• On the Modeling Capabilities of Large Language Models for Sequential Decision Making [52.128546842746246]
  大規模な事前訓練されたモデルでは、推論や計画タスクのパフォーマンスがますます向上している。 我々は、直接的または間接的に、意思決定ポリシーを作成する能力を評価する。 未知の力学を持つ環境において、合成データを用いた微調整LDMが報酬モデリング能力を大幅に向上させる方法について検討する。
  論文  参考訳（メタデータ） (2024-10-08T03:12:57Z)
• Algorithmic Decision-Making under Agents with Persistent Improvement [9.296248945826084]
  人間の戦略的行動下でのアルゴリズムによる意思決定について検討する。 まず、永続的な改善を特徴付ける動的モデルを開発する。 次に、意思決定者がエージェントの集団の中で最大の改善をインセンティブにするための最適なポリシーを設計する方法について研究する。
  論文  参考訳（メタデータ） (2024-05-03T01:36:35Z)
• HAZARD Challenge: Embodied Decision Making in Dynamically Changing Environments [93.94020724735199]
  HAZARDは、火災、洪水、風などの3つの予期せぬ災害シナリオで構成されている。 このベンチマークにより、さまざまなパイプラインで自律エージェントの意思決定能力を評価することができる。
  論文  参考訳（メタデータ） (2024-01-23T18:59:43Z)
• Transforming the Output of Generative Pre-trained Transformer: The Influence of the PGI Framework on Attention Dynamics [0.0]
  本稿では,GPTモデルによる課題に対処するため,Persona-Grouping-Intelligence (PGI) という新しいアプローチを提案する。 このアプローチの主な目的は、広範で単調で反復的なタスクにおいて、GPTモデルを活用して、人間の作業負荷を削減することである。 興味深いことに、この実験は、モデルが生成した4,000の応答を検証する際に、93.81%の精度で得られた。
  論文  参考訳（メタデータ） (2023-08-25T11:41:05Z)
• ERMAS: Becoming Robust to Reward Function Sim-to-Real Gaps in Multi-Agent Simulations [110.72725220033983]
  Epsilon-Robust Multi-Agent Simulation (ERMAS)は、このようなマルチエージェントのsim-to-realギャップに対して堅牢なAIポリシーを学ぶためのフレームワークである。 ERMASは、エージェントリスク回避の変化に対して堅牢な税政策を学び、複雑な時間シミュレーションで最大15%社会福祉を改善する。 特に、ERMASは、エージェントリスク回避の変化に対して堅牢な税制政策を学び、複雑な時間シミュレーションにおいて、社会福祉を最大15%改善する。
  論文  参考訳（メタデータ） (2021-06-10T04:32:20Z)
• Online reinforcement learning with sparse rewards through an active inference capsule [62.997667081978825]
  本稿では,将来期待される新しい自由エネルギーを最小化するアクティブ推論エージェントを提案する。 我々のモデルは、非常に高いサンプル効率でスパース・リワード問題を解くことができる。 また、複雑な目的の表現を単純化する報奨関数から事前モデルを近似する新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-06-04T10:03:36Z)
• Variational Dynamic for Self-Supervised Exploration in Deep Reinforcement Learning [12.76337275628074]
  本研究では,条件付き変分推論に基づく変動力学モデルを提案し,多モード性および生成性をモデル化する。 環境遷移の負の対数類似度の上界を導出し、その上界を探査の本質的な報酬として利用する。 提案手法は,最先端の環境モデルに基づく探索手法よりも優れている。
  論文  参考訳（メタデータ） (2020-10-17T09:54:51Z)

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。