論文の概要: PolicySim: An LLM-Based Agent Social Simulation Sandbox for Proactive Policy Optimization
- arxiv url: http://arxiv.org/abs/2603.19649v1
- Date: Fri, 20 Mar 2026 05:20:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 19:48:39.003365
- Title: PolicySim: An LLM-Based Agent Social Simulation Sandbox for Proactive Policy Optimization
- Title（参考訳）: PolicySim: プロアクティブポリシー最適化のためのLLMエージェントソーシャルシミュレーションサンドボックス
- Authors: Renhong Huang, Ning Tang, Jiarong Xu, Yuxuan Cao, Qingqian Tu, Sheng Guo, Bo Zheng, Huiyuan Liu, Yang Yang,
- Abstract要約: PolicySimは、介入ポリシーの積極的な評価と最適化のためのLLMベースの社会シミュレーションサンドボックスである。
PolicySimは,マイクロレベルとマクロレベルの両方で,プラットフォームエコシステムを正確にシミュレートできることを示す。
- 参考スコア（独自算出の注目度）: 22.490419080772586
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Social platforms serve as central hubs for information exchange, where user behaviors and platform interventions jointly shape opinions. However, intervention policies like recommendation and content filtering, can unintentionally amplify echo chambers and polarization, posing significant societal risks. Proactively evaluating the impact of such policies is therefore crucial. Existing approaches primarily rely on reactive online A/B testing, where risks are identified only after deployment, making risk identification delayed and costly. LLM-based social simulations offer a promising pre-deployment alternative, but current methods fall short in realistically modeling platform interventions and incorporating feedback from the platform. Bridging these gaps is essential for building actionable frameworks to assess and optimize platform policies. To this end, we propose PolicySim, an LLM-based social simulation sandbox for the proactive assessment and optimization of intervention policies. PolicySim models the bidirectional dynamics between user behavior and platform interventions through two key components: (1) a user agent module refined via supervised fine-tuning (SFT) and direct preference optimization (DPO) to achieve platform-specific behavioral realism; and (2) an adaptive intervention module that employs a contextual bandit with message passing to capture dynamic network structures. Experiments show that PolicySim can accurately simulate platform ecosystems at both micro and macro levels and support effective intervention policy.
- Abstract（参考訳）: ソーシャルプラットフォームは、ユーザー行動とプラットフォーム介入が共同で意見を形成する情報交換のハブとして機能する。
しかし、レコメンデーションやコンテンツフィルタリングのような介入政策は、意図せずエコーチャンバーと偏光を増幅し、社会的な重大なリスクを生じさせる。
そのため、こうした政策の影響を積極的に評価することが重要である。
既存のアプローチは主にリアクティブなオンラインA/Bテストに依存しており、デプロイ後にのみリスクが特定され、リスクの特定が遅れてコストがかかる。
LLMベースの社会シミュレーションは、将来的な事前デプロイの代替手段を提供するが、現在の手法は、プラットフォームの介入を現実的にモデル化したり、プラットフォームからのフィードバックを取り入れたりするのに不足している。
これらのギャップを埋めることは、プラットフォームポリシーを評価し最適化するための実行可能なフレームワークを構築するために不可欠である。
この目的のために, 介入政策の積極的な評価と最適化を目的とした, LLM ベースの社会シミュレーションサンドボックスである PolicySim を提案する。
PolicySimは、(1)教師付き微調整(SFT)と直接優先最適化(DPO)により洗練され、プラットフォーム固有の行動リアリズムを実現するためのユーザーエージェントモジュール、(2)動的ネットワーク構造を捉えるためにメッセージパッシングを伴うコンテキスト的帯域幅を用いた適応的介入モジュールの2つの主要なコンポーネントを通して、ユーザ行動とプラットフォーム介入の間の双方向のダイナミクスをモデル化する。
実験の結果,ポリシSimは,マイクロレベルとマクロレベルのプラットフォームエコシステムを正確にシミュレートし,効果的な介入ポリシーを支援することができることがわかった。
関連論文リスト
- LLM-Augmented Digital Twin for Policy Evaluation in Short-Video Platforms [12.693132563364342]
ショートビデオプラットフォームはクローズドループ、ヒューマン・イン・ザ・ループのエコシステムであり、ポリシー、クリエーターのインセンティブ、ユーザー行動が共進化する。
モジュール式4ツインアーキテクチャを持つショートビデオプラットフォームに対して,大規模言語モデル(LLM)を付加したディジタルツインを提案する。
論文 参考訳（メタデータ） (2026-03-11T21:50:21Z) - Position: AI Agents Are Not (Yet) a Panacea for Social Simulation [62.891898598784415]
大規模言語モデル(LLM)の最近の進歩は、社会シミュレーションにLLM統合エージェントを使うことへの関心が高まっている。
このポジションペーパーは、LSMをベースとしたエージェントは社会シミュレーションのパナセアではないと主張している。
論文 参考訳（メタデータ） (2026-02-19T06:35:07Z) - SPACeR: Self-Play Anchoring with Centralized Reference Models [50.55045557371374]
Simエージェントポリシーは、現実的で、人間らしく、高速で、マルチエージェント設定でスケーラブルである。
大規模な拡散モデルやトークン化モデルを用いた模倣学習の最近の進歩は、人間の運転データから直接行動を把握することができることを示している。
本研究では,事前訓練されたトークン化自己回帰運動モデルを利用したSPACeRを提案する。
論文 参考訳（メタデータ） (2025-10-20T19:53:02Z) - 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) - Logarithmic Smoothing for Adaptive PAC-Bayesian Off-Policy Learning [4.48890356952206]
オフ政治学習は、ログ化された相互作用から最適なポリシーを学ぶための主要なフレームワークとなる。
我々はこのフレームワークをオンラインPAC-ベイジアン理論のツールを用いて適応シナリオに拡張する。
論文 参考訳（メタデータ） (2025-06-12T12:54:09Z) - Beyond Static Testbeds: An Interaction-Centric Agent Simulation Platform for Dynamic Recommender Systems [37.15496324034216]
RecInterは、リコメンダシステムのための新しいエージェントベースのシミュレーションプラットフォームである。
RecInterでは、ユーザーアクション(例えば、レビュー、購入など)をリアルタイムで動的に更新する。
Merchant Agentsは、より現実的で進化したエコシステムを育むことができる。
論文 参考訳（メタデータ） (2025-05-22T09:14:23Z) - Large Language Model driven Policy Exploration for Recommender Systems [50.70228564385797]
静的ユーザデータに基づいてトレーニングされたオフラインRLポリシは、動的オンライン環境にデプロイされた場合、分散シフトに対して脆弱である。
オンラインRLベースのRSも、トレーニングされていないポリシーや不安定なポリシーにユーザをさらけ出すリスクがあるため、運用デプロイメントの課題に直面している。
大規模言語モデル(LLM)は、ユーザー目標と事前学習ポリシーをオフラインで模倣する有望なソリューションを提供する。
LLMから抽出したユーザの嗜好を利用した対話型学習ポリシー(iALP)を提案する。
論文 参考訳（メタデータ） (2025-01-23T16:37:44Z) - SDPO: Segment-Level Direct Preference Optimization for Social Agents [56.970902914217156]
大規模言語モデル(LLM)を利用した社会エージェントは、人間の社会的振る舞いをシミュレートできるが、複雑な社会対話を扱うには不十分である。
マルチターンエージェントの動作を最適化するために,対話内のキーセグメントを動的に選択するセグメントレベル直接参照最適化(SDPO)を提案する。
論文 参考訳（メタデータ） (2025-01-03T14:09:46Z) - SRAP-Agent: Simulating and Optimizing Scarce Resource Allocation Policy with LLM-based Agent [45.41401816514924]
本稿では,大規模言語モデル(LLM)を経済シミュレーションに統合する,革新的なフレームワークSRAP-Agentを提案する。
我々は、SRAP-Agentの有効性と有効性を検証するために、広範な政策シミュレーション実験を行う。
論文 参考訳（メタデータ） (2024-10-18T03:43:42Z) - Building a Foundation for Data-Driven, Interpretable, and Robust Policy
Design using the AI Economist [67.08543240320756]
AIエコノミストフレームワークは,2段階強化学習とデータ駆動型シミュレーションを用いて,効果的な,柔軟な,解釈可能なポリシー設計を可能にする。
RLを用いて訓練されたログリニア政策は、過去の結果と比較して、公衆衛生と経済の両面から社会福祉を著しく改善することがわかった。
論文 参考訳（メタデータ） (2021-08-06T01:30:41Z) - Non-Stationary Off-Policy Optimization [50.41335279896062]
本研究では,時間的空間的帯域幅の非政治最適化の新たな課題について検討する。
オフライン学習フェーズでは、ログ化されたデータをカテゴリの潜在状態に分割し、各状態に対してほぼ最適のサブポリシーを学ぶ。
オンラインデプロイメントの段階では、学習したサブ政治をそのパフォーマンスに基づいて順応的に切り替える。
論文 参考訳（メタデータ） (2020-06-15T09:16:09Z)
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。