論文の概要: MALLES: A Multi-agent LLMs-based Economic Sandbox with Consumer Preference Alignment

• arxiv url: http://arxiv.org/abs/2603.17694v1
• Date: Wed, 18 Mar 2026 13:11:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.7145
• Title: MALLES: A Multi-agent LLMs-based Economic Sandbox with Consumer Preference Alignment
• Title（参考訳）: MALLES: 消費者選好アライメントを備えたマルチエージェントLCMベースの経済サンドボックス
• Authors: Yusen Wu, Yiran Liu, Xiaotie Deng,
• Abstract要約: 本稿ではマルチエージェント大規模言語モデルに基づく経済サンドボックス(MALLES)を紹介する。 我々のアプローチの中心は、LLMが広範囲で不均一なトランザクションレコードのポストトレーニングを通じて経済的に整合している選好学習パラダイムである。 実験により,本フレームワークは製品選択精度,購入量予測,シミュレーション安定性の大幅な向上を実現していることが示された。
• 参考スコア（独自算出の注目度）: 18.220563522041733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the real economy, modern decision-making is fundamentally challenged by high-dimensional, multimodal environments, which are further complicated by agent heterogeneity and combinatorial data sparsity. This paper introduces a Multi-Agent Large Language Model-based Economic Sandbox (MALLES), leveraging the inherent generalization capabilities of large-sacle models to establish a unified simulation framework applicable to cross-domain and cross-category scenarios. Central to our approach is a preference learning paradigm in which LLMs are economically aligned via post-training on extensive, heterogeneous transaction records across diverse product categories. This methodology enables the models to internalize and transfer latent consumer preference patterns, thereby mitigating the data sparsity issues prevalent in individual categories. To enhance simulation stability, we implement a mean-field mechanism designed to model the dynamic interactions between the product environment and customer populations, effectively stabilizing sampling processes within high-dimensional decision spaces. Furthermore, we propose a multi-agent discussion framework wherein specialized agents collaboratively process extensive product information. This architecture distributes cognitive load to alleviate single-agent attention bottlenecks and captures critical decision factors through structured dialogue. Experiments demonstrate that our framework achieves significant improvements in product selection accuracy, purchase quantity prediction, and simulation stability compared to existing economic and financial LLM simulation baselines. Our results substantiate the potential of large language models as a foundational pillar for high-fidelity, scalable decision simulation and latter analysis in the real economy based on foundational database.
• Abstract（参考訳）: 現実経済において、現代の意思決定は、エージェントの不均一性や組合せデータ空間によってさらに複雑になる高次元のマルチモーダル環境によって根本的に挑戦される。 本稿では,MALLES(Multi-Agent Large Language Model-based Economic Sandbox)を提案する。 当社のアプローチの中心は、さまざまな製品カテゴリにわたる広範な不均一なトランザクションレコードのポストトレーニングを通じて、LLMが経済的に整合している選好学習パラダイムです。 この手法により、モデルは遅延した消費者の嗜好パターンを内部化し、転送することができ、それによって個々のカテゴリで一般的なデータ空間の問題を軽減することができる。 シミュレーション安定性を向上させるため,製品環境と顧客集団間の動的相互作用をモデル化する平均場機構を実装し,高次元決定空間におけるサンプリングプロセスを効果的に安定化する。 さらに,多様な製品情報を協調的に処理するマルチエージェント・ディスカッション・フレームワークを提案する。 このアーキテクチャは、認知負荷を分散し、単一エージェントの注意ボトルネックを緩和し、構造化された対話を通して重要な決定要因をキャプチャする。 提案手法は,既存の経済・金融のLCMシミュレーションベースラインと比較して,製品選択精度,購入量予測,シミュレーション安定性の大幅な向上を実現していることを示す。 本研究は, 基礎データベースに基づく実経済における, 高忠実度, スケーラブルな意思決定シミュレーション, 後者の分析のための基礎的柱として, 大規模言語モデルの可能性を実証するものである。

関連論文リスト

• LLM-Based Multi-Agent System for Simulating and Analyzing Marketing and Consumer Behavior [1.6352616029995921]
  LLMを利用したマルチエージェント・シミュレーション・フレームワークを導入し,消費者の意思決定とソーシャル・ダイナミクスをモデル化する。 価格割引マーケティングのシナリオでは、システムは実行可能な戦略テスト結果を提供する。
  論文  参考訳（メタデータ） (2025-10-20T23:15:44Z)
• Integrating LLM and Diffusion-Based Agents for Social Simulation [28.21329943306884]
  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。
  論文  参考訳（メタデータ） (2025-10-18T06:23:22Z)
• NExT-OMNI: Towards Any-to-Any Omnimodal Foundation Models with Discrete Flow Matching [64.10695425442164]
  NExT-OMNI(英語版)は、離散フローパラダイムによる統一モデリングを実現するオープンソース・オムニモーダル・ファンデーション・モデルである。 NExT-OMNIは、大規模なインターリーブ付きテキスト、画像、ビデオ、オーディオデータに基づいて訓練され、マルチモーダル生成および理解ベンチマーク上で競合するパフォーマンスを提供する。 さらなる研究を進めるために、トレーニングの詳細、データプロトコル、およびコードとモデルチェックポイントの両方をオープンソース化する。
  論文  参考訳（メタデータ） (2025-10-15T16:25:18Z)
• Reinforcement Learning for Multi-Objective Multi-Echelon Supply Chain Optimisation [3.1194372040101928]
  重み付き和で修正した元来の単目的RLアルゴリズムに対してベンチマークした多目的強化学習(RL)法を用いてモデルを評価する。 我々は、カスタマイズ可能なシミュレータを用いて、様々なネットワーク複雑度の実験を行い、典型的な現実世界の課題を模倣する。 このモデルはサプライチェーンの経路をまたいだ生産量と納入量を決定し、競合する目標間のほぼ最適なトレードオフを達成する。
  論文  参考訳（メタデータ） (2025-07-26T04:30:11Z)
• ModelingAgent: Bridging LLMs and Mathematical Modeling for Real-World Challenges [72.19809898215857]
  ModelingBenchは、様々な領域にわたる数学モデリングの競争から、現実に着想を得たオープンエンドの問題を特徴付ける新しいベンチマークである。 これらのタスクには、自然言語を形式的な数学的定式化に翻訳し、適切なツールを適用し、構造化された防御可能なレポートを生成する必要がある。 ツール使用をコーディネートするマルチエージェントフレームワークである ModelingAgent も紹介します。
  論文  参考訳（メタデータ） (2025-05-21T03:33:23Z)
• Modèles de Substitution pour les Modèles à base d'Agents : Enjeux, Méthodes et Applications [0.0]
  エージェントベースモデル(ABM)は、局所的な相互作用から生じる創発的な現象を研究するために広く用いられている。 ABMの複雑さは、リアルタイム意思決定と大規模シナリオ分析の可能性を制限する。 これらの制限に対処するため、サロゲートモデルはスパースシミュレーションデータから近似を学習することで効率的な代替手段を提供する。
  論文  参考訳（メタデータ） (2025-05-17T08:55:33Z)
• 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)
• Rewards-in-Context: Multi-objective Alignment of Foundation Models with Dynamic Preference Adjustment [46.44464839353993]
  リワード・イン・コンテキスト(Rewards-in-Context, RiC)を導入する。 RiCは単一のファンデーションモデルの教師付き微調整のみを必要とし、推論時間中にユーザの好みを動的に調整する。
  論文  参考訳（メタデータ） (2024-02-15T18:58:31Z)
• Solution-oriented Agent-based Models Generation with Verifier-assisted Iterative In-context Learning [10.67134969207797]
  エージェントベースのモデル(ABM)は、仮説的な解決策やポリシーの提案と検証に不可欠なパラダイムである。 大きな言語モデル(LLM)は、ドメイン間の知識とプログラミング能力をカプセル化することで、このプロセスの難しさを軽減できる可能性がある。 SAGEは、ターゲット問題に対する自動モデリングおよびソリューション生成のために設計された、汎用的なソリューション指向のABM生成フレームワークである。
  論文  参考訳（メタデータ） (2024-02-04T07:59:06Z)

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。