論文の概要: LLM-empowered Agents Simulation Framework for Scenario Generation in Service Ecosystem Governance

• arxiv url: http://arxiv.org/abs/2509.01441v1
• Date: Mon, 01 Sep 2025 12:55:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.702394
• Title: LLM-empowered Agents Simulation Framework for Scenario Generation in Service Ecosystem Governance
• Title（参考訳）: LLMを利用したサービスエコシステムガバナンスにおけるシナリオ生成のためのエージェントシミュレーションフレームワーク
• Authors: Deyu Zhou, Yuqi Hou, Xiao Xue, Xudong Lu, Qingzhong Li, Lizhen Cui,
• Abstract要約: 本稿では,3つのLarge Language Model (LLM)パワーエージェントを適応的にコーディネートするシナリオジェネレータの設計手法を提案する。 環境エージェント(EA)は、極端なものを含む社会環境を生成し、社会エージェント(SA)は、社会協力構造を生成し、プランナーエージェント(PA)は、タスクロール関係を結合し、タスクソリューションを計画する。
• 参考スコア（独自算出の注目度）: 45.203064499446775
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As the social environment is growing more complex and collaboration is deepening, factors affecting the healthy development of service ecosystem are constantly changing and diverse, making its governance a crucial research issue. Applying the scenario analysis method and conducting scenario rehearsals by constructing an experimental system before managers make decisions, losses caused by wrong decisions can be largely avoided. However, it relies on predefined rules to construct scenarios and faces challenges such as limited information, a large number of influencing factors, and the difficulty of measuring social elements. These challenges limit the quality and efficiency of generating social and uncertain scenarios for the service ecosystem. Therefore, we propose a scenario generator design method, which adaptively coordinates three Large Language Model (LLM) empowered agents that autonomously optimize experimental schemes to construct an experimental system and generate high quality scenarios. Specifically, the Environment Agent (EA) generates social environment including extremes, the Social Agent (SA) generates social collaboration structure, and the Planner Agent (PA) couples task-role relationships and plans task solutions. These agents work in coordination, with the PA adjusting the experimental scheme in real time by perceiving the states of each agent and these generating scenarios. Experiments on the ProgrammableWeb dataset illustrate our method generates more accurate scenarios more efficiently, and innovatively provides an effective way for service ecosystem governance related experimental system construction.
• Abstract（参考訳）: 社会環境が複雑化し、コラボレーションが深まりつつある中、サービスエコシステムの健全な発展に影響を与える要因は常に変化し、多様化しており、そのガバナンスが重要な研究課題となっている。 マネージャが意思決定を行う前に,シナリオ分析手法を適用し,実験システムを構築してシナリオリハーサルを実施することで,誤った判断による損失を回避できる。 しかし、シナリオを構築するための事前定義されたルールに依存しており、限られた情報、多数の影響要因、社会的要素を測定することの難しさといった課題に直面している。 これらの課題は、サービスエコシステムの社会的および不確実なシナリオを生成する品質と効率を制限します。 そこで本研究では,実験手法を自律的に最適化し,実験システムを構築し,高品質なシナリオを生成する3つの大規模言語モデル(LLM)を適応的にコーディネートするシナリオ生成設計手法を提案する。 具体的には、環境エージェント(EA)が極端を含む社会環境を生成し、社会エージェント(SA)が社会協力構造を生成し、プランナーエージェント(PA)がタスクロール関係を結合し、タスクソリューションを計画する。 これらのエージェントは協調して働き、PAは各エージェントの状態とこれらの生成シナリオを知覚することで実験的なスキームをリアルタイムで調整する。 ProgrammableWebデータセットの実験では、より正確なシナリオをより効率的に生成し、革新的な方法でサービスエコシステムガバナンスに関連する実験システム構築の効果的な方法を提供する。

関連論文リスト

• Agentic LLM Framework for Adaptive Decision Discourse [2.4919169815423743]
  本研究では,実世界のエージェント型大規模言語モデル(LLM)フレームワークを紹介する。 従来の意思決定支援ツールとは異なり、このフレームワークは対話、トレードオフ探索、エージェント間の相互作用によって生成される創発的なシナジーを強調している。 その結果、第1次探索がいかに堅牢で公平なレコメンデーションパスを育むかが明らかとなった。
  論文  参考訳（メタデータ） (2025-02-16T03:46:37Z)
• Towards Recommender Systems LLMs Playground (RecSysLLMsP): Exploring Polarization and Engagement in Simulated Social Networks [6.813586966214873]
  本稿では,Large Language Models (LLMs) を利用した新しいシミュレーションフレームワークを提案する。 説明的、静的、動的属性を持つ多様なAIエージェントを作成することで、3つのシナリオにわたって自律的な振る舞いを評価する。 本研究は, 社会的分極を緩和しつつ, ユーザの満足度を高めるためのレコメンデータシステム設計において, 慎重なバランスの必要性を強調するものである。
  論文  参考訳（メタデータ） (2025-01-29T14:23:34Z)
• Efficient Adaptation in Mixed-Motive Environments via Hierarchical Opponent Modeling and Planning [51.52387511006586]
  本稿では,HOP(Hierarchical Opponent Modeling and Planning)を提案する。 HOPは階層的に2つのモジュールから構成される: 相手の目標を推論し、対応する目標条件のポリシーを学ぶ、反対モデリングモジュール。 HOPは、さまざまな未確認エージェントと相互作用する際、優れた少数ショット適応能力を示し、セルフプレイのシナリオで優れている。
  論文  参考訳（メタデータ） (2024-06-12T08:48:06Z)
• 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)
• INTAGS: Interactive Agent-Guided Simulation [4.04638613278729]
  マルチエージェントシステム(MAS)を含む多くのアプリケーションでは、実稼働に先立って、実験的な(Exp)自律エージェントを高忠実度シミュレータでテストすることが必須である。 本稿では,ExpエージェントとBGエージェントのライブインタラクションによって評価される実システムと合成マルチエージェントシステムとを区別する指標を提案する。 InTAGSを用いてシミュレータのキャリブレーションを行い、現状のWasserstein Generative Adversarial Networkアプローチと比較して、より現実的な市場データを生成することができることを示す。
  論文  参考訳（メタデータ） (2023-09-04T19:56:18Z)
• Stackelberg Decision Transformer for Asynchronous Action Coordination in Multi-Agent Systems [19.130281505547064]
  マルチエージェントシステム(MAS)における強化行動調整の課題 エージェント間の階層的協調の困難を解消する適応可能なアプローチとして,Stackelberg Decision Transformer (STEER)を提案する。 実験により,本手法はスタックルバーグ平衡解に収束し,複雑なシナリオにおいて既存手法よりも優れることを示した。
  論文  参考訳（メタデータ） (2023-05-13T07:29:31Z)
• CausalCity: Complex Simulations with Agency for Causal Discovery and Reasoning [68.74447489372037]
  本稿では,因果探索と反事実推論のためのアルゴリズムの開発を目的とした,高忠実度シミュレーション環境を提案する。 私たちの作業の中核となるコンポーネントは、複雑なシナリオを定義して作成することが簡単になるような、テキストの緊急性を導入することです。 我々は3つの最先端の手法による実験を行い、ベースラインを作成し、この環境の可利用性を強調する。
  論文  参考訳（メタデータ） (2021-06-25T00:21:41Z)
• Decentralized MCTS via Learned Teammate Models [89.24858306636816]
  本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。 深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
  論文  参考訳（メタデータ） (2020-03-19T13:10:20Z)

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。