論文の概要: Large Language Models for Designing Participatory Budgeting Rules

• arxiv url: http://arxiv.org/abs/2602.09349v1
• Date: Tue, 10 Feb 2026 02:55:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.33959
• Title: Large Language Models for Designing Participatory Budgeting Rules
• Title（参考訳）: 参加型予算ルール設計のための大規模言語モデル
• Authors: Nguyen Thach, Xingchen Sha, Hau Chan,
• Abstract要約: 大規模言語モデル(LLM)は、アルゴリズム設計の自動化にますます採用されている。 LLMRuleと呼ばれる新しいフレームワークを導入し,LLMを進化的探索手順に組み込むことで,既存の作業の限界に対処する。 以上の結果から, LLM生成ルールは, 実用性の観点からも既存の手作りルールよりも優れており, 同等の公平性を維持していることがわかった。
• 参考スコア（独自算出の注目度）: 16.29630050703722
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Participatory budgeting (PB) is a democratic paradigm for deciding the funding of public projects given the residents' preferences, which has been adopted in numerous cities across the world. The main focus of PB is designing rules, functions that return feasible budget allocations for a set of projects subject to some budget constraint. Designing PB rules that optimize both utility and fairness objectives based on agent preferences had been challenging due to the extensive domain knowledge required and the proven trade-off between the two notions. Recently, large language models (LLMs) have been increasingly employed for automated algorithmic design. Given the resemblance of PB rules to algorithms for classical knapsack problems, in this paper, we introduce a novel framework, named LLMRule, that addresses the limitations of existing works by incorporating LLMs into an evolutionary search procedure for automating the design of PB rules. Our experimental results, evaluated on more than 600 real-world PB instances obtained from the U.S., Canada, Poland, and the Netherlands with different representations of agent preferences, demonstrate that the LLM-generated rules generally outperform existing handcrafted rules in terms of overall utility while still maintaining a similar degree of fairness.
• Abstract（参考訳）: PB(Participatory budgeting)は、世界中の多くの都市で採用されている住民の嗜好を踏まえて、公共プロジェクトへの資金提供を決定するための民主的パラダイムである。 PBの主な焦点は、いくつかの予算制約を受けるプロジェクトのセットに対して、実行可能な予算配分を返すようなルールを設計することである。 エージェントの選好に基づく実用性と公正性の両方の目的を最適化するPBルールの設計は、広範なドメイン知識と、2つの概念間のトレードオフが証明されたため、困難であった。 近年,大規模言語モデル (LLM) がアルゴリズム設計の自動化に採用されている。 本稿では,古典的なknapsack問題に対するアルゴリズムに対するPBルールの類似性を考慮し,LPMをPBルールの自動設計のための進化的探索手順に組み込むことで,既存の作業の限界に対処する,LLMRuleという新しいフレームワークを提案する。 米国、カナダ、ポーランド、オランダから得られた600以上の実世界のPBインスタンスをエージェント選好の異なる表現で評価した結果、LLM生成ルールは概して、全体の実用性の観点から既存の手作りルールよりも優れており、同等の公平さを維持していることが示された。

関連論文リスト

• Universal Legal Article Prediction via Tight Collaboration between Supervised Classification Model and LLM [42.11889345473452]
  法律記事予測(LAP)は、法的テキスト分類において重要な課題である。 法律記事予測のための普遍的な枠組みであるUni-LAPを提案する。
  論文  参考訳（メタデータ） (2025-09-26T09:42:20Z)
• PGPO: Enhancing Agent Reasoning via Pseudocode-style Planning Guided Preference Optimization [58.465778756331574]
  本稿では,効果的なエージェント学習のためのPGPOと呼ばれる疑似コード型計画優先最適化手法を提案する。 2つの計画指向の報酬により、PGPOは、高品質なPコードプランを生成するLLMエージェントの能力をさらに強化する。 実験により、PGPOは代表エージェントベンチマークよりも優れた性能を示し、現在のリードベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-02T09:35:07Z)
• Latent Preference Coding: Aligning Large Language Models via Discrete Latent Codes [54.93980123979578]
  我々は、暗黙の要因をモデル化する新しいフレームワークであるLatent Preference Coding (LPC)を紹介する。 LPCは様々なオフラインアライメントアルゴリズムとシームレスに統合し、基礎となる要因とデータからその重要性を自動的に推測する。
  論文  参考訳（メタデータ） (2025-05-08T06:59:06Z)
• LLM-Generated Heuristics for AI Planning: Do We Even Need Domain-Independence Anymore? [87.71321254733384]
  大規模言語モデル(LLM)は、特定の計画問題に適した計画手法を生成することができる。 LLMは、いくつかの標準IPCドメインで最先端のパフォーマンスを達成することができる。 これらの結果がパラダイムシフトを意味するのか、既存の計画手法をどのように補完するかについて議論する。
  論文  参考訳（メタデータ） (2025-01-30T22:21:12Z)
• Learning Aggregation Rules in Participatory Budgeting: A Data-Driven Approach [8.93709693107744]
  PB(Participatory Budgeting)は、様々なプロジェクトを通じて公共資金を配分する民主的なプロセスを提供する。 PBのオーガナイザは、文献に精通していないか、あるいは既存のルールが期待を反映していないため、アグリゲーションルールを選択する際の課題に直面している。 本稿では,この課題に対処するために機械学習を利用した新しいデータ駆動手法を提案する。
  論文  参考訳（メタデータ） (2024-12-01T18:13:27Z)
• Deliberate Reasoning in Language Models as Structure-Aware Planning with an Accurate World Model [14.480267340831542]
  高精度世界モデル(SWAP)による構造認識計画 SWAPは構造化知識表現と学習計画を統合する。 SWAPは,数理推論,論理推論,コーディングタスクなど,多種多様な推論集約型ベンチマークで評価される。
  論文  参考訳（メタデータ） (2024-10-04T04:23:36Z)
• Personalized Reinforcement Learning with a Budget of Policies [9.846353643883443]
  機械学習(ML)におけるパーソナライゼーションは、ユーザの個々の特性に対する決定をモデル化する。 本稿では,Markov Decision Processes (r-MDPs) に代表される新しいフレームワークを提案する。 r-MDPでは、少数の代表ポリシーとのインタラクションを通じて、それぞれ独自の嗜好を持つ多様なユーザ人口に対応する。 r-MDPを効率的に解くための2つの深層強化学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-01-12T11:27:55Z)
• Precedent-Enhanced Legal Judgment Prediction with LLM and Domain-Model Collaboration [52.57055162778548]
  法的判断予測(LJP)は、法律AIにおいてますます重要な課題となっている。 先行は、同様の事実を持つ以前の訴訟であり、国家法制度におけるその後の事件の判断の基礎となっている。 近年のディープラーニングの進歩により、LJPタスクの解決に様々なテクニックが使えるようになった。
  論文  参考訳（メタデータ） (2023-10-13T16:47:20Z)
• Participatory Budgeting with Project Groups [27.39571821668551]
  参加予算(PB)の標準承認に基づくモデルの一般化について検討する。 この問題は一般に難解であり,いくつかの特殊な場合に対して効率的な厳密アルゴリズムを記述する。 私たちの結果は、例えば、自治体は、テーマ的に、地理的に包括的であるより豊かなPBプロセスを保持することができます。
  論文  参考訳（メタデータ） (2020-12-09T18:23:04Z)

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。