論文の概要: HAG: Hierarchical Demographic Tree-based Agent Generation for Topic-Adaptive Simulation

• arxiv url: http://arxiv.org/abs/2601.05656v2
• Date: Thu, 15 Jan 2026 07:37:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 13:33:41.306627
• Title: HAG: Hierarchical Demographic Tree-based Agent Generation for Topic-Adaptive Simulation
• Title（参考訳）: HAG:Topic-Adaptive Simulationのための階層型木型エージェント生成
• Authors: Rongxin Chen, Tianyu Wu, Bingbing Xu, Jiatang Luo, Xiucheng Xu, Huawei Shen,
• Abstract要約: 堅牢なフレームワークは、マイクロレベルの個人合理性を確保しつつ、マクロレベルの関節分布をキャプチャするべきである。 既存のアプローチは、データから見えないトピックに適応できない静的なデータベースの検索方法と、マクロレベルの分布認識を欠くLLMベースの生成方法の2つのカテゴリに分類される。 人口発生を2段階決定プロセスとして定式化する階層型エージェント生成フレームワークであるHAGを提案する。
• 参考スコア（独自算出の注目度）: 26.61515474480962
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-fidelity agent initialization is crucial for credible Agent-Based Modeling across diverse domains. A robust framework should be Topic-Adaptive, capturing macro-level joint distributions while ensuring micro-level individual rationality. Existing approaches fall into two categories: static data-based retrieval methods that fail to adapt to unseen topics absent from the data, and LLM-based generation methods that lack macro-level distribution awareness, resulting in inconsistencies between micro-level persona attributes and reality. To address these problems, we propose HAG, a Hierarchical Agent Generation framework that formalizes population generation as a two-stage decision process. Firstly, utilizing a World Knowledge Model to infer hierarchical conditional probabilities to construct the Topic-Adaptive Tree, achieving macro-level distribution alignment. Then, grounded real-world data, instantiation and agentic augmentation are carried out to ensure micro-level consistency. Given the lack of specialized evaluation, we establish a multi-domain benchmark and a comprehensive PACE evaluation framework. Extensive experiments show that HAG significantly outperforms representative baselines, reducing population alignment errors by an average of 37.7% and enhancing sociological consistency by 18.8%.
• Abstract（参考訳）: 高忠実度エージェントの初期化は、さまざまな領域にわたる信頼できるエージェントベースモデリングに不可欠である。 堅牢なフレームワークはトピック適応であり、マクロレベルのジョイント分布をキャプチャし、マイクロレベルの個人合理性を保証するべきである。 既存のアプローチは、データから見えないトピックに適応できない静的なデータベースの検索方法と、マクロレベルの分布認識を欠いたLCMベースの生成方法の2つのカテゴリに分類され、マイクロレベルのペルソナ属性と現実の間に矛盾が生じている。 これらの問題に対処するために,人口発生を2段階決定プロセスとして定式化する階層型エージェント生成フレームワークであるHAGを提案する。 まず、世界知識モデルを用いて階層的条件確率を推定し、トピック適応木を構築し、マクロレベルの分布アライメントを実現する。 そして、マイクロレベルの整合性を確保するため、接地された実世界のデータ、インスタンス化、エージェント拡張を行う。 特殊評価の欠如を踏まえ,マルチドメインベンチマークと包括的PACE評価フレームワークを構築した。 大規模な実験により、HAGは代表的基準線を著しく上回り、人口配置誤差を平均37.7%減らし、社会学的一貫性を18.8%向上させた。

関連論文リスト

• Bilevel Optimization for Covert Memory Tampering in Heterogeneous Multi-Agent Architectures (XAMT) [0.0]
  マルチエージェントシステム(MAS)は本質的に異種であり、従来のマルチエージェント強化学習(MARL)とLLM(Large Language Model)エージェントアーキテクチャを統合する。 MARLの共有エクスペリエンス再生(ER)バッファとRAGエージェントの外部知識ベース(K)である。 本稿では,XAMT (Bilevel Optimization for Covert Memory Tampering in Heterogeneous Multi-Agent Architectures) を提案する。
  論文  参考訳（メタデータ） (2025-12-15T23:04:48Z)
• 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)
• HFedATM: Hierarchical Federated Domain Generalization via Optimal Transport and Regularized Mean Aggregation [12.655334562608314]
  Federated Learning(FL)は、複数のクライアントが生データを共有せずに、共同で共有グローバルモデルをトレーニングする分散アプローチである。 本稿では階層型フェデレーションドメイン一般化(HFedDG)を紹介する。
  論文  参考訳（メタデータ） (2025-08-07T08:14:52Z)
• Fair Deepfake Detectors Can Generalize [51.21167546843708]
  共同設立者(データ分散とモデルキャパシティ)の制御により,公正な介入による一般化が向上することを示す。 この知見を応用して, 逆正当性重み付けとサブグループワイド特徴正規化を併用し, 新たなアライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・インセンティブ・インターベンション・インベンション・インテクション(DAID)を提案する。 DAIDは、いくつかの最先端技術と比較して、公平性と一般化の両方において一貫して優れた性能を達成する
  論文  参考訳（メタデータ） (2025-07-03T14:10:02Z)
• Adaptive and Robust DBSCAN with Multi-agent Reinforcement Learning [53.527506374566485]
  本稿では,多エージェント強化学習クラスタフレームワーク,すなわちAR-DBSCANを用いた新しいAdaptive and Robust DBSCANを提案する。 我々は、AR-DBSCANが、NMIおよびARIメトリクスの最大144.1%と175.3%のクラスタリング精度を向上するだけでなく、支配的なパラメータを確実に見つけることができることを示した。
  論文  参考訳（メタデータ） (2025-05-07T11:37:23Z)
• 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)
• Local vs. Global Models for Hierarchical Forecasting [0.0]
  本研究では,情報活用が階層的予測の精度に与える影響について検討する。 我々は,クロスシリーズとクロス階層情報を活用するために,グローバル予測モデル(GFM)を開発した。 LightGBM に基づく2つの特定の GFM が導入された。
  論文  参考訳（メタデータ） (2024-11-10T08:51:49Z)
• Adapting tree-based multiple imputation methods for multi-level data? A simulation study [0.0]
  木に基づく計算法は、観測間の独立を暗黙的に仮定する。 オルタナティブツリーベースのアプローチは、個々のレベルのデータに対して有望であるが、階層的な文脈では探索されていない。
  論文  参考訳（メタデータ） (2024-01-25T13:12:50Z)
• Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
  人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。 本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。 理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
  論文  参考訳（メタデータ） (2022-01-31T20:58:47Z)

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。