論文の概要: Integrating LLM and Diffusion-Based Agents for Social Simulation

• arxiv url: http://arxiv.org/abs/2510.16366v1
• Date: Sat, 18 Oct 2025 06:23:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.964362
• Title: Integrating LLM and Diffusion-Based Agents for Social Simulation
• Title（参考訳）: 社会シミュレーションのためのLDMと拡散型エージェントの統合
• Authors: Xinyi Li, Zhiqiang Guo, Qinglang Guo, Hao Jin, Weizhi Ma, Min Zhang,
• Abstract要約: 本稿では,大規模言語モデルに基づくエージェントと拡散モデルに基づくエージェントを戦略的に統合するハイブリッドシミュレーションフレームワークを提案する。 本フレームワークは,既存手法の予測精度を向上し,モジュール設計の有効性を検証した。
• 参考スコア（独自算出の注目度）: 28.21329943306884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agent-based social simulation provides a valuable methodology for predicting social information diffusion, yet existing approaches face two primary limitations. Traditional agent models often rely on rigid behavioral rules and lack semantic understanding of textual content, while emerging large language model (LLM)-based agents incur prohibitive computational costs at scale. To address these challenges, we propose a hybrid simulation framework that strategically integrates LLM-driven agents with diffusion model-based agents. The framework employs LLM-based agents to simulate a core subset of users with rich semantic reasoning, while a diffusion model handles the remaining population efficiently. Although the two agent types operate on disjoint user groups, both incorporate key factors including user personalization, social influence, and content awareness, and interact through a coordinated simulation process. Extensive experiments on three real-world datasets demonstrate that our framework outperforms existing methods in prediction accuracy, validating the effectiveness of its modular design.
• Abstract（参考訳）: エージェントベースの社会シミュレーションは、ソーシャル情報拡散を予測する貴重な方法論を提供するが、既存のアプローチは2つの主要な制限に直面している。 従来のエージェントモデルは厳格な行動規則に頼り、テキストの内容の意味的理解に欠けることが多いが、新興の大規模言語モデル(LLM)ベースのエージェントは大規模に計算コストを抑える。 これらの課題に対処するために,LLM駆動エージェントと拡散モデルに基づくエージェントを戦略的に統合するハイブリッドシミュレーションフレームワークを提案する。 このフレームワークは、LLMベースのエージェントを使用して、ユーザの中核部分集合をリッチなセマンティック推論でシミュレートし、拡散モデルは残りの人口を効率的に処理する。 この2つのエージェントタイプは、非結合なユーザグループで動作するが、どちらも、ユーザパーソナライゼーション、社会的影響、コンテンツ意識といった重要な要素を取り入れ、協調したシミュレーションプロセスを通じて相互作用する。 実世界の3つのデータセットに対する大規模な実験により、我々のフレームワークは予測精度において既存の手法よりも優れており、モジュラー設計の有効性が検証されている。

関連論文リスト

• Agent4FaceForgery: Multi-Agent LLM Framework for Realistic Face Forgery Detection [108.5042835056188]
  この作業では,2つの基本的な問題に対処するため,Agent4FaceForgeryを導入している。 人間の偽造の多様な意図と反復的なプロセスを捉える方法。 ソーシャルメディアの偽造に付随する複雑な、しばしば敵対的な、テキストと画像のインタラクションをモデル化する方法。
  論文  参考訳（メタデータ） (2025-09-16T01:05:01Z)
• Integrating LLM in Agent-Based Social Simulation: Opportunities and Challenges [0.7739037410679168]
  本稿では,人間の認知の重要な側面を再現する大規模言語モデルの能力に関する最近の知見をレビューする。 第2部はマルチエージェント・シミュレーション・フレームワークにおけるLLMの新しい応用について調査している。 この論文は、従来のエージェントベースモデリングプラットフォームにLLMを統合するハイブリッドアプローチを提唱することで締めくくっている。
  論文  参考訳（メタデータ） (2025-07-25T15:15:35Z)
• LLM-Based Social Simulations Require a Boundary [3.351170542925928]
  大規模言語モデル(LLM)に基づく社会シミュレーションは明確な境界を確立するべきである。 本稿では、アライメント(実世界のパターンにマッチするシミュレーション行動)、一貫性(時間とともに一貫性のあるエージェント動作を維持する)、堅牢性という3つの重要な境界問題について検討する。
  論文  参考訳（メタデータ） (2025-06-24T17:14:47Z)
• MF-LLM: Simulating Population Decision Dynamics via a Mean-Field Large Language Model Framework [53.82097200295448]
  MF-LLM(Mean-Field LLM)は,まず平均場理論を社会シミュレーションに取り入れる。 MF-LLMは反復過程を通じて個人と人口間の双方向相互作用をモデル化する。 IB-Tuneは、Information Bottleneckの原理にインスパイアされた、新しい微調整手法である。
  論文  参考訳（メタデータ） (2025-04-30T12:41:51Z)
• MOSAIC: Modeling Social AI for Content Dissemination and Regulation in Multi-Agent Simulations [16.780177153401628]
  生成言語エージェントがユーザの行動を予測できる新しいオープンソースのソーシャルネットワークシミュレーションフレームワークMOSAICを提案する。 このシミュレーションは、LCMエージェントと有向なソーシャルグラフを組み合わせることで、創発的偽装行動を分析し、ユーザがオンラインソーシャルコンテンツの正確性をどのように判断するかをよりよく理解する。
  論文  参考訳（メタデータ） (2025-04-10T15:06:54Z)
• 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)
• On the limits of agency in agent-based models [13.130587222524305]
  エージェントベースモデリングは複雑なシステムに対する強力な洞察を提供するが、その実用性は計算の制約によって制限されている。 大規模言語モデル(LLM)の最近の進歩は、適応エージェントによるABMを強化する可能性があるが、大規模なシミュレーションへの統合は依然として困難である。 大規模シミュレーションにおいて,行動複雑性と計算効率のバランスをとる手法であるLSMアーチタイプを提案する。
  論文  参考訳（メタデータ） (2024-09-14T04:17:24Z)

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。