論文の概要: LLM Economist: Large Population Models and Mechanism Design in Multi-Agent Generative Simulacra

• arxiv url: http://arxiv.org/abs/2507.15815v1
• Date: Mon, 21 Jul 2025 17:21:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.503383
• Title: LLM Economist: Large Population Models and Mechanism Design in Multi-Agent Generative Simulacra
• Title（参考訳）: LLMエコノミスト:マルチエージェント生成シミュラクラにおける大規模人口モデルとメカニズム設計
• Authors: Seth Karten, Wenzhe Li, Zihan Ding, Samuel Kleiner, Yu Bai, Chi Jin,
• Abstract要約: 本稿では,エージェント・ベース・モデリングを用いて経済政策を設計・評価する新しい枠組みを提案する。 下位レベルでは、有界な労働者エージェントは、テキストベースのユーティリティ関数をテキストで学習するために労働供給を選択する。 上位のレベルでは、プランナーエージェントは、現在の連邦政府の括弧に固定された一貫した境界税制を提案するために、文脈内強化学習を採用する。
• 参考スコア（独自算出の注目度）: 29.627070781534698
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present the LLM Economist, a novel framework that uses agent-based modeling to design and assess economic policies in strategic environments with hierarchical decision-making. At the lower level, bounded rational worker agents -- instantiated as persona-conditioned prompts sampled from U.S. Census-calibrated income and demographic statistics -- choose labor supply to maximize text-based utility functions learned in-context. At the upper level, a planner agent employs in-context reinforcement learning to propose piecewise-linear marginal tax schedules anchored to the current U.S. federal brackets. This construction endows economic simulacra with three capabilities requisite for credible fiscal experimentation: (i) optimization of heterogeneous utilities, (ii) principled generation of large, demographically realistic agent populations, and (iii) mechanism design -- the ultimate nudging problem -- expressed entirely in natural language. Experiments with populations of up to one hundred interacting agents show that the planner converges near Stackelberg equilibria that improve aggregate social welfare relative to Saez solutions, while a periodic, persona-level voting procedure furthers these gains under decentralized governance. These results demonstrate that large language model-based agents can jointly model, simulate, and govern complex economic systems, providing a tractable test bed for policy evaluation at the societal scale to help build better civilizations.
• Abstract（参考訳）: LLMエコノミスト(LLM Economist)は、エージェントベースのモデリングを用いて、階層的な意思決定を伴う戦略的環境における経済政策を設計・評価する新しいフレームワークである。 低水準では、人格条件付きプロンプト(ペルソナ条件付きプロンプト)としてインスタンス化された有能な労働者エージェントが、米国国勢調査の基準付所得と人口統計から採取された)が、テキストベースのユーティリティ機能を最大限に活用するために労働供給を選択する。 上位のレベルでは、プランナーエージェントは、現在の連邦政府の括弧に固定された一貫した境界税制を提案するために、文脈内強化学習を採用する。 この建設は、信用可能な財政実験に必要な3つの能力を備えた経済シミュラクラを付与する。 一 異種公共事業の最適化 (二)人口統計学的に現実的な大規模エージェント集団の原則的生成、及び (iii) 自然言語で完全に表現されるメカニズム設計(究極のヌーディング問題)。 最大100人の対話エージェントによる実験では、プランナーは、サエズソリューションに対する社会福祉の集約を改善するスタックルバーグ均衡付近に集結し、周期的かつペルソナレベルの投票手続きにより、これらの利益が分散統治下でさらに増大することを示している。 これらの結果は,大規模言語モデルに基づくエージェントが複雑な経済システムの構築を共同でモデル化し,シミュレートし,管理し,より優れた文明を構築するための社会規模での政策評価のための引き込み可能なテストベッドを提供することを示す。

関連論文リスト

• EconGym: A Scalable AI Testbed with Diverse Economic Tasks [14.392383131881877]
  EconGymは、多様な経済タスクとAIアルゴリズムを結びつけるスケーラブルなテストベッドです。 ユーザは多様なエージェントアルゴリズムで経済的役割を柔軟に構成し、リッチなマルチエージェントトラジェクトリをシミュレートすることができる。 その結果、よりリッチなタスク構成とアルゴリズムの多様性がポリシー空間を広げていることが示唆された。
  論文  参考訳（メタデータ） (2025-06-13T09:35:04Z)
• 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)
• 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)
• Simulating the Economic Impact of Rationality through Reinforcement Learning and Agent-Based Modelling [1.7546137756031712]
  我々はエージェントベースモデル(ABM)の能力を拡大するためにマルチエージェント強化学習(RL)を活用している。 RLエージェントは、市場競争のレベルと合理性に応じて、利益を最大化するための3つの異なる戦略を自発的に学習することを示します。 また、独立した政策を持つRLエージェントと、相互にコミュニケーションする能力のないエージェントは、自発的に異なる戦略グループに分離することを学び、市場力と全体的な利益を増大させます。
  論文  参考訳（メタデータ） (2024-05-03T15:08:25Z)
• Learning Macroeconomic Policies through Dynamic Stackelberg Mean-Field Games [14.341143540616441]
  政府(リーダー)はポリシーを設定し、エージェント(フォロワー)は時間とともに彼らの行動を最適化することで対応します。 エージェントの数が増加するにつれて、エージェントエージェントとエージェントの相互作用を明示的にシミュレートすることは、計算的に不可能になる。 エージェント・ポピュレーションと政府・ポピュレーションの結合による複雑な相互作用を近似する動的スタックバーグ平均場ゲームフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-14T13:22:31Z)
• 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)
• The AI Economist: Optimal Economic Policy Design via Two-level Deep Reinforcement Learning [126.37520136341094]
  機械学習に基づく経済シミュレーションは強力な政策・メカニズム設計の枠組みであることを示す。 AIエコノミスト(AI Economist)は、エージェントと共同適応するソーシャルプランナーの両方を訓練する2段階のディープRLフレームワークである。 単純な一段階の経済では、AIエコノミストは経済理論の最適税制を回復する。
  論文  参考訳（メタデータ） (2021-08-05T17:42:35Z)
• The AI Economist: Improving Equality and Productivity with AI-Driven Tax Policies [119.07163415116686]
  我々は、経済的平等と生産性を効果的にトレードオフできる税制政策を発見する社会プランナーを訓練する。 競争圧力と市場ダイナミクスを特徴とする経済シミュレーション環境を提案する。 AI主導の税政策は、基本方針よりも平等と生産性のトレードオフを16%改善することを示します。
  論文  参考訳（メタデータ） (2020-04-28T06:57:18Z)

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。