論文の概要: AI-Generated Compromises for Coalition Formation: Modeling, Simulation, and a Textual Case Study

• arxiv url: http://arxiv.org/abs/2512.05983v1
• Date: Thu, 27 Nov 2025 13:40:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 04:16:52.494889
• Title: AI-Generated Compromises for Coalition Formation: Modeling, Simulation, and a Textual Case Study
• Title（参考訳）: 協調形成のためのAI生成コンプリケーション:モデリング,シミュレーション,テキストケーススタディ
• Authors: Eyal Briman, Ehud Shapiro, Nimrod Talmon,
• Abstract要約: エージェント連合が団結できる妥協提案を効果的に見つける方法は、オープンな問題である。 エージェント境界有理性と不確実性を含む全体論的モデルを定式化する。 我々は,NLP手法を適用し,LLMを用いてテキストの意味的距離空間を作成し,適切な妥協点を提案するアルゴリズムを開発する。
• 参考スコア（独自算出の注目度）: 7.629693370283204
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The challenge of finding compromises between agent proposals is fundamental to AI sub-fields such as argumentation, mediation, and negotiation. Building on this tradition, Elkind et al. (2021) introduced a process for coalition formation that seeks majority-supported proposals preferable to the status quo, using a metric space where each agent has an ideal point. The crucial step in this iterative process involves identifying compromise proposals around which agent coalitions can unite. How to effectively find such compromise proposals, however, remains an open question. We address this gap by formalizing a holistic model that encompasses agent bounded rationality and uncertainty and developing AI models to generate such compromise proposals. We focus on the domain of collaboratively writing text documents -- e.g., to enable the democratic creation of a community constitution. We apply NLP (Natural Language Processing) techniques and utilize LLMs (Large Language Models) to create a semantic metric space for text and develop algorithms to suggest suitable compromise points. To evaluate the effectiveness of our algorithms, we simulate various coalition formation processes and demonstrate the potential of AI to facilitate large-scale democratic text editing, such as collaboratively drafting a constitution, an area where traditional tools are limited.
• Abstract（参考訳）: エージェント提案間の妥協を見つけるという課題は、議論、仲介、交渉といったAIサブフィールドの基本である。 この伝統に基づいてエルキンドら(2021年)は、各エージェントが理想的な点を持つ計量空間を用いて、現状クオに好まれる多数派支持の提案を求める連立形成のプロセスを導入した。 この反復プロセスにおける重要なステップは、エージェント連合が一体化できる妥協提案を特定することである。 しかし、このような妥協案を効果的に見つけるには、未解決の問題が残る。 エージェント境界有理性と不確実性を含む全体論的モデルを形式化し、そのような妥協提案を生成するAIモデルを開発することで、このギャップに対処する。 我々は、コミュニティ憲法の民主的作成を可能にするために、共同で文書を書くという領域に注力する。 我々はNLP(Natural Language Processing)技術を適用し、LLM(Large Language Models)を用いてテキストの意味的距離空間を作成し、適切な妥協点を提案するアルゴリズムを開発する。 提案アルゴリズムの有効性を評価するため,従来のツールが限られている領域であるコンスティチューションを共同起草するなど,AIが大規模に民主的なテキスト編集を促進する可能性を示す。

関連論文リスト

• Towards Context-aware Reasoning-enhanced Generative Searching in E-commerce [61.03081096959132]
  そこで本稿では,複雑な状況下でのテキストバウンダリングを改善するための,文脈対応推論強化型生成検索フレームワークを提案する。 提案手法は,強力なベースラインに比べて優れた性能を示し,検索に基づく推薦の有効性を検証した。
  論文  参考訳（メタデータ） (2025-10-19T16:46:11Z)
• Step-Aware Policy Optimization for Reasoning in Diffusion Large Language Models [57.42778606399764]
  拡散言語モデル(dLLM)は、テキスト生成に有望で非自己回帰的なパラダイムを提供する。 現在の強化学習アプローチは、しばしばスパースで結果に基づく報酬に頼っている。 これは推論の自然な構造との根本的なミスマッチに由来すると我々は主張する。
  論文  参考訳（メタデータ） (2025-10-02T00:34:15Z)
• Algorithms for Adversarially Robust Deep Learning [58.656107500646364]
  望ましいロバスト性を示すアルゴリズムの設計に向けた最近の進歩について論じる。 医用画像,分子識別,画像分類における最先端の一般化を実現するアルゴリズムを提案する。 我々は、堅牢な言語ベースのエージェントを設計するための進歩のフロンティアとして、新たな攻撃と防御を提案する。
  論文  参考訳（メタデータ） (2025-09-23T14:48:58Z)
• Towards a Common Framework for Autoformalization [2.487142846438629]
  オートフォーマル化(Autoformalization)は、フォーマル化の自動化を指す用語として登場した。 本稿の目的は、オートフォーマライゼーション(autoformalization)と見なせるものの-明示的または暗黙的な-インスタンスをレビューすることである。
  論文  参考訳（メタデータ） (2025-09-11T19:28:56Z)
• AI-Generated Compromises for Coalition Formation [11.443736581068599]
  エージェント提案間の妥協を見つけることは、議論、調停、交渉のようなAIサブフィールドの基本である。 エージェント境界合理性と不確実性を組み込んだモデルを定式化し、妥協提案を生成するAI手法を開発する。 提案手法では,自然言語処理技術と大規模言語モデルを用いて,テキスト上の意味的距離空間を誘導する。
  論文  参考訳（メタデータ） (2025-06-07T15:28:27Z)
• Unified Language-driven Zero-shot Domain Adaptation [55.64088594551629]
  Unified Language-driven Zero-shot Domain Adaptation (ULDA)は、新しいタスクセットである。 これにより、ドメインIDの知識を明示することなく、単一のモデルを多様なターゲットドメインに適応させることができる。
  論文  参考訳（メタデータ） (2024-04-10T16:44:11Z)
• Modelling Political Coalition Negotiations Using LLM-based Agents [53.934372246390495]
  我々は、新しいNLPタスクとして連立交渉を導入し、それを大規模言語モデルに基づくエージェント間の交渉としてモデル化する。 我々は、欧州政党の宣言とこれらの国における多数の選挙に関する連立協定を含む多言語データセット「POLCA」を導入する。 本稿では、政党間の連立交渉の過程をシミュレートし、その結果を予測するために、階層的なマルコフ決定プロセスを提案する。
  論文  参考訳（メタデータ） (2024-02-18T21:28:06Z)
• Coherent Entity Disambiguation via Modeling Topic and Categorical Dependency [87.16283281290053]
  従来のエンティティ曖昧化(ED)メソッドは、参照コンテキストと候補エンティティの一致するスコアに基づいて予測を行う、識別パラダイムを採用している。 本稿では,エンティティ予測のコヒーレンス向上を目的とした新しいデザインを備えたEDシステムであるCoherentedを提案する。 我々は、人気EDベンチマークにおいて、平均1.3F1ポイントの改善により、最先端の新たな結果を得る。
  論文  参考訳（メタデータ） (2023-11-06T16:40:13Z)

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。