論文の概要: "Teammates, Am I Clear?": Analysing Legible Behaviours in Teams
- arxiv url: http://arxiv.org/abs/2507.21631v1
- Date: Tue, 29 Jul 2025 09:40:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-30 17:08:55.965434
- Title: "Teammates, Am I Clear?": Analysing Legible Behaviours in Teams
- Title(参考訳): 「チームメイト、私はクリアか?」:チームにおける合法的行動の分析
- Authors: Miguel Faria, Francisco S. Melo, Ana Paiva,
- Abstract要約: 本稿では,多エージェント設定に対する妥当な意思決定の拡張を提案する。
正当性のあるエージェントを持つチームは、標準的な最適な振る舞いを持つエージェントのみで構成されたチームよりも優れていることを示す。
- 参考スコア(独自算出の注目度): 6.542036882626739
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper we investigate the notion of legibility in sequential decision-making in the context of teams and teamwork. There have been works that extend the notion of legibility to sequential decision making, for deterministic and for stochastic scenarios. However, these works focus on one agent interacting with one human, foregoing the benefits of having legible decision making in teams of agents or in team configurations with humans. In this work we propose an extension of legible decision-making to multi-agent settings that improves the performance of agents working in collaboration. We showcase the performance of legible decision making in team scenarios using our proposed extension in multi-agent benchmark scenarios. We show that a team with a legible agent is able to outperform a team composed solely of agents with standard optimal behaviour.
- Abstract(参考訳): 本稿では、チームやチームワークの文脈において、シーケンシャルな意思決定における正当性の概念を検討する。
決定論的および確率論的シナリオにおいて、正当性の概念をシーケンシャルな意思決定に拡張する研究がある。
しかしながら、これらの作業は、1人の人間と対話する1人のエージェントに焦点を当てており、エージェントのチームやチーム構成における正当な意思決定のメリットを先導している。
本研究では,協調作業を行うエージェントの性能向上を図るため,多エージェント設定への妥当な意思決定の拡張を提案する。
提案した拡張手法を用いて,チームシナリオにおける妥当な意思決定性能をマルチエージェントベンチマークシナリオで示す。
正当性のあるエージェントを持つチームは、標準的な最適な振る舞いを持つエージェントのみで構成されたチームよりも優れていることを示す。
関連論文リスト
- Don't lie to your friends: Learning what you know from collaborative self-play [90.35507959579331]
我々は、AIエージェントが知っていることを教えるために、根本的に新しいアプローチを提案する。
我々は,集団が正解に到達して報奨を受けるマルチエージェントコラボレーションを構築した。
望ましいメタ知識は、相互作用の構造に組み込まれたインセンティブから生まれる。
論文 参考訳(メタデータ) (2025-03-18T17:53:20Z) - Language Agents as Digital Representatives in Collective Decision-Making [22.656601943922066]
表現」とは、プロキシエージェントの参加を通じて、プロセスに個人の嗜好を提示する活動である。
本研究では,人的エージェントの代表者の行動能力を高めるために,テキストエージェントを訓練する可能性について検討する。
論文 参考訳(メタデータ) (2025-02-13T14:35:40Z) - Adapting to Teammates in a Cooperative Language Game [1.082078800505043]
本稿では,コードネームを再生するための適応エージェントを提案する。
私たちは、特定のチームメイトと対話する過程において、内部の専門家エージェントのどちらがベストマッチであるかを決定するために、アンサンブルアプローチを採用しています。
実験的な分析によると、このアンサンブルアプローチは個々のチームメイトに適応し、しばしばチームメイトにとって最高の内部エキスパートと同等に機能する。
論文 参考訳(メタデータ) (2024-02-26T23:15:07Z) - A Dynamic LLM-Powered Agent Network for Task-Oriented Agent Collaboration [55.35849138235116]
本稿では,様々なタスクやドメインに対する動的コミュニケーション構造において,候補からエージェントのチームを自動的に選択する手法を提案する。
具体的には, LLMを利用したエージェント協調のための動的LLMパワーエージェントネットワーク(textDyLAN$)というフレームワークを構築した。
我々は、コード生成、意思決定、一般的な推論、算術的推論タスクにおいて、適度な計算コストで、DyLANが強力なベースラインを上回ることを実証する。
論文 参考訳(メタデータ) (2023-10-03T16:05:48Z) - Optimizing delegation between human and AI collaborative agents [1.6114012813668932]
私たちは、潜在的なパフォーマンス上の欠陥に関してデリゲート決定を行うために、デリゲートマネージャエージェントを訓練します。
我々のフレームワークは、エージェントをマッチングのダイナミクスに制限することなく、チームパフォーマンスの観察を通して学習する。
この結果から,環境の異なる表現の下で運用するエージェントチームによる委譲決定の実施をマネージャが学べることが判明した。
論文 参考訳(メタデータ) (2023-09-26T07:23:26Z) - ProAgent: Building Proactive Cooperative Agents with Large Language
Models [89.53040828210945]
ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。
ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。
ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
論文 参考訳(メタデータ) (2023-08-22T10:36:56Z) - Informational Diversity and Affinity Bias in Team Growth Dynamics [6.729250803621849]
情報多様性の利点は親和性バイアスと緊張関係にあることを示す。
本結果は,情報多様性を促進するためのユーティリティベースのモチベーションの基本的な制限を定式化した。
論文 参考訳(メタデータ) (2023-01-28T05:02:40Z) - Towards Socially Intelligent Agents with Mental State Transition and
Human Utility [97.01430011496576]
対話エージェントに精神状態と実用性モデルを取り入れることを提案する。
ハイブリッド精神状態は、対話とイベント観察の両方から情報を抽出する。
ユーティリティモデルは、クラウドソースのソーシャルコモンセンスデータセットから人間の好みを学習するランキングモデルである。
論文 参考訳(メタデータ) (2021-03-12T00:06:51Z) - Moody Learners -- Explaining Competitive Behaviour of Reinforcement
Learning Agents [65.2200847818153]
競合シナリオでは、エージェントは動的環境を持つだけでなく、相手の行動に直接影響される。
エージェントのQ値の観察は通常、その振る舞いを説明する方法であるが、選択されたアクション間の時間的関係は示さない。
論文 参考訳(メタデータ) (2020-07-30T11:30:42Z)
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。