論文の概要: Reasonably reasoning AI agents can avoid game-theoretic failures in zero-shot, provably

• arxiv url: http://arxiv.org/abs/2603.18563v1
• Date: Thu, 19 Mar 2026 07:24:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.000405
• Title: Reasonably reasoning AI agents can avoid game-theoretic failures in zero-shot, provably
• Title（参考訳）: AIエージェントがゼロショットでゲーム理論上の失敗を避けるのは理にかなっている
• Authors: Enoch Hyunwook Kang,
• Abstract要約: 市販の推論AIエージェントが、明示的なポストトレーニングをすることなく、ナッシュライクなプレイをゼロショットで達成できることを示します。 以上の結果から,AIエージェントは自然にそのような推論パターンを示し,本質的に安定な平衡挙動が得られることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI agents are increasingly deployed in interactive economic environments characterized by repeated AI-AI interactions. Despite AI agents' advanced capabilities, empirical studies reveal that such interactions often fail to stably induce a strategic equilibrium, such as a Nash equilibrium. Post-training methods have been proposed to induce a strategic equilibrium; however, it remains impractical to uniformly apply an alignment method across diverse, independently developed AI models in strategic settings. In this paper, we provide theoretical and empirical evidence that off-the-shelf reasoning AI agents can achieve Nash-like play zero-shot, without explicit post-training. Specifically, we prove that `reasonably reasoning' agents, i.e., agents capable of forming beliefs about others' strategies from previous observation and learning to best respond to these beliefs, eventually behave along almost every realized play path in a way that is weakly close to a Nash equilibrium of the continuation game. In addition, we relax the common-knowledge payoff assumption by allowing stage payoffs to be unknown and by having each agent observe only its own privately realized stochastic payoffs, and we show that we can still achieve the same on-path Nash convergence guarantee. We then empirically validate the proposed theories by simulating five game scenarios, ranging from a repeated prisoner's dilemma game to stylized repeated marketing promotion games. Our findings suggest that AI agents naturally exhibit such reasoning patterns and therefore attain stable equilibrium behaviors intrinsically, obviating the need for universal alignment procedures in many real-world strategic interactions.
• Abstract（参考訳）: AIエージェントは、繰り返しAI-AIインタラクションによって特徴づけられる、インタラクティブな経済環境にますますデプロイされる。 AIエージェントの高度な能力にもかかわらず、実験的な研究により、このような相互作用はナッシュ平衡のような戦略的均衡を安定的に引き起こさないことがしばしば明らかになった。 ポストトレーニング法は戦略的均衡を誘導するために提案されているが、様々な独立して開発されたAIモデルに一様にアライメント法を適用することは、いまだに不可能である。 本稿では,既成の推論AIエージェントが,明示的なポストトレーニングを伴わずにナッシュライクなプレイをゼロショットで実現できるという理論的,実証的な証拠を提供する。 具体的には、「合理的な推論」エージェント、すなわち、過去の観察と学習から他人の戦略についての信念を形成することができるエージェントが、最終的に、継続ゲームのナッシュ均衡に弱い方法で、ほぼすべての実現されたプレイパスに沿って振る舞うことを証明する。 さらに,我々は,段階的なペイオフが未知であること,各エージェントが独自に実現した確率的ペイオフのみを観察させることによって,共通知識によるペイオフの仮定を緩和し,同一の経路ナッシュ収束保証を達成可能であることを示す。 そこで我々は,繰り返しの囚人のジレンマゲームから,繰り返しのマーケティングプロモーションゲームまで,5つのシナリオをシミュレートして提案された理論を実証的に検証した。 本研究は,AIエージェントが自然にそのような推論パターンを示し,従って本質的に安定な平衡挙動を達成できることを示唆し,実世界の多くの戦略的相互作用において普遍的なアライメント手順の必要性を排除した。

関連論文リスト

• Embedded Universal Predictive Intelligence: a coherent framework for multi-agent learning [57.23345786304694]
  予測学習のための枠組みと自己予測を中心とした組込みエージェントを導入する。 マルチエージェント設定では、エージェントが類似したアルゴリズムを実行している他のエージェントについて推論することができる。 我々は、AIXIの理論を拡張し、Solomonoffから始まる普遍的なインテリジェントな埋め込みエージェントについて研究する。
  論文  参考訳（メタデータ） (2025-11-27T08:46:48Z)
• FAIRGAME: a Framework for AI Agents Bias Recognition using Game Theory [51.96049148869987]
  ゲーム理論を用いたAIエージェントバイアス認識フレームワークFAIRGAMEを提案する。 我々は,AIエージェント間の人気ゲームにおけるバイアスのある結果を明らかにするために,その実装と利用について述べる。 全体として、FAIRGAMEはユーザーが望むゲームやシナリオを確実に簡単にシミュレートできる。
  論文  参考訳（メタデータ） (2025-04-19T15:29:04Z)
• Linear Convergence of Independent Natural Policy Gradient in Games with Entropy Regularization [12.612009339150504]
  本研究は,マルチエージェント強化学習におけるエントロピー規則化独立自然政策勾配(NPG)アルゴリズムに焦点を当てる。 十分なエントロピー正則化の下では、この系の力学は線形速度で量子応答平衡(QRE)に収束することを示す。
  論文  参考訳（メタデータ） (2024-05-04T22:48:53Z)
• Opponent Modeling in Multiplayer Imperfect-Information Games [1.024113475677323]
  マルチプレイヤー不完全情報ゲームにおける対戦相手モデルへのアプローチを提案する。 我々は,3人プレイヤのクーンポーカーにおいて,種々の実敵と正確なナッシュ均衡戦略に対する実験を行う。 我々のアルゴリズムは、正確なナッシュ均衡戦略を含む全てのエージェントを著しく上回る。
  論文  参考訳（メタデータ） (2022-12-12T16:48:53Z)
• Finding mixed-strategy equilibria of continuous-action games without gradients using randomized policy networks [83.28949556413717]
  グラデーションへのアクセスを伴わない連続アクションゲームのナッシュ平衡を近似的に計算する問題について検討する。 ニューラルネットワークを用いてプレイヤーの戦略をモデル化する。 本論文は、制約のない混合戦略と勾配情報のない一般的な連続アクションゲームを解決する最初の方法である。
  論文  参考訳（メタデータ） (2022-11-29T05:16:41Z)
• Nash Equilibria and Pitfalls of Adversarial Training in Adversarial Robustness Games [51.90475640044073]
  本研究では,2プレイヤゼロサムゲームにおける最適応答戦略の交互化として,対戦訓練について検討する。 一方、ゲームのユニークな純粋なナッシュ均衡が存在し、確実に堅牢である。
  論文  参考訳（メタデータ） (2022-10-23T03:21:01Z)
• Explore and Control with Adversarial Surprise [78.41972292110967]
  強化学習(Reinforcement Learning, RL)は、目標指向のポリシーを学習するためのフレームワークである。 本稿では,RLエージェントが経験した驚きの量と競合する2つのポリシーを相殺する対戦ゲームに基づく,新しい教師なしRL手法を提案する。 本手法は, 明確な相転移を示すことによって, 複雑なスキルの出現につながることを示す。
  論文  参考訳（メタデータ） (2021-07-12T17:58:40Z)

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。