論文の概要: Simulating Organized Group Behavior: New Framework, Benchmark, and Analysis

• arxiv url: http://arxiv.org/abs/2604.09874v1
• Date: Fri, 10 Apr 2026 20:04:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.722815
• Title: Simulating Organized Group Behavior: New Framework, Benchmark, and Analysis
• Title（参考訳）: 組織化されたグループの振る舞いのシミュレーション:新しいフレームワーク、ベンチマーク、分析
• Abstract要約: 実践的な観点から,集団を集合体としてモデル化するタスクを提案する。 実世界8,052のコンテキスト-決定ペアを持つ44のエンティティを対象とするベンチマークであるGROVEを提案する。 また,包括的意思決定イベントを解釈可能,適応的,トレース可能な行動モデルに変換する構造解析フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 49.796228341744076
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulating how organized groups (e.g., corporations) make decisions (e.g., responding to a competitor's move) is essential for understanding real-world dynamics and could benefit relevant applications (e.g., market prediction). In this paper, we formalize this problem as a concrete research platform for group behavior understanding, providing: (1) a task definition with benchmark and evaluation criteria, (2) a structured analytical framework with a corresponding algorithm, and (3) detailed temporal and cross-group analysis. Specifically, we propose Organized Group Behavior Simulation, a task that models organized groups as collective entities from a practical perspective: given a group facing a particular situation (e.g., AI Boom), predict the decision it would take. To support this task, we present GROVE (GRoup Organizational BehaVior Evaluation), a benchmark covering 44 entities with 8,052 real-world context-decision pairs collected from Wikipedia and TechCrunch across 9 domains, with an end-to-end evaluation protocol assessing consistency, initiative, scope, magnitude, and horizon. Beyond straightforward prompting pipelines, we propose a structured analytical framework that converts collective decision-making events into an interpretable, adaptive, and traceable behavioral model, achieving stronger performance than summarization- and retrieval-based baselines. It further introduces an adapter mechanism for time-aware evolution and group-aware transfer, and traceable evidence nodes grounding each decision rule in originating historical events. Our analysis reveals temporal behavioral drift within individual groups, which the time-aware adapter effectively captures for stronger prediction, and structured cross-group similarity that enables knowledge transfer for data-scarce organizations.
• Abstract（参考訳）: 組織されたグループ(例えば、企業)がどのように意思決定を行うか(例えば、競合他社の動きに対応する)をシミュレートすることは、現実のダイナミクスを理解する上で不可欠であり、関連するアプリケーション(例えば、市場予測)に利益をもたらす可能性がある。 本稿では,グループ行動理解のための具体的な研究プラットフォームとして,(1)ベンチマークと評価基準によるタスク定義,(2)対応するアルゴリズムによる構造化分析フレームワーク,(3)詳細な時間的・横断的な分析を提供する。 具体的には,特定の状況(例えばAIブーム)に直面しているグループに対して,組織化された集団を集合体としてモデル化するタスクであるオーガナイズド・グループ・ビヘイビア・シミュレーションを提案する。 このタスクをサポートするために、GROVE (GRoup Organizational BehaVior Evaluation) は、WikipediaとTechCrunchが9つのドメインで収集した8,052の現実世界のコンテキスト決定ペアを持つ44のエンティティをカバーし、一貫性、イニシアティブ、範囲、規模、地平線を評価するエンドツーエンド評価プロトコルを提供する。 素直なプロンプトの他に,包括的意思決定イベントを解釈可能で適応的でトレーサブルな行動モデルに変換し,要約や検索に基づくベースラインよりも強力な性能を実現する構造解析フレームワークを提案する。 さらに、タイムアウェアの進化とグループアウェア転送のためのアダプタ機構を導入し、履歴イベントを起点とする各決定ルールを根拠としたトレーサブルなエビデンスノードを導入した。 分析の結果、時間認識型アダプタがより強力な予測を効果的に捉えた個々のグループ内の時間的行動ドリフトと、データ共有組織のための知識伝達を可能にする構造化されたクロスグループ類似性を明らかにした。

関連論文リスト

• Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery [52.29866804948133]
  本稿では、クラスタリングと命令を相互に強化する共最適化プロセスとして再構築するフレームワークであるCAGI(Cluster-Aware Generative Imputation)を提案する。 14のベンチマークデータセットと15の代表的なベースラインの実験は、CAGIの優位性を実証している。
  論文  参考訳（メタデータ） (2026-07-08T02:50:02Z)
• SmartIterator: Visual Analytics Workflows for Supervising Unsupervised Data Grouping [0.0]
  emphSmartIterator(SI)は、グループ化結果を一級分析対象として扱う視覚分析手法である。 emphIteraScope(IS)は、品質メトリックチャートとカラーエンコーディングを組み合わせたコーディネートされたビジュアルディスプレイであり、Sankeyスタイルのトランジションフローを埋め込んだ1Dグループと、HDBSCAN検出されたリカレントアーチタイプを埋め込んだ2Dグループである。
  論文  参考訳（メタデータ） (2026-05-27T09:35:32Z)
• World Models as Group Actions [70.0506723637968]
  行動の忠実さは、行動の構成構造を通して理解されるべきである。 我々は、状態空間上でのグループアクションを実現するために、アクション条件付き世界モデリングを形式化する。 提案手法は,最新ビデオワールドモデルにおけるGAC(Group-Action Consistency)とGAR(Group-Action Robustness)の両方を一貫して改善する。
  論文  参考訳（メタデータ） (2026-05-23T13:42:35Z)
• AgentGR: Semantic-aware Agentic Group Decision-Making Simulator for Group Recommendation [9.65582609558242]
  Group Recommendation (GR) は、モダンなソーシャルプラットフォームにおいて重要なコンポーネントとなっているユーザグループにアイテムを提案することを目的としている。 本稿では,グループ推薦のためのエージェントグループ意思決定シミュレータであるエージェントGRを提案する。 メンバーロールプレイングのための協調的セマンティックなユーザ好みを共同でキャプチャし、動的グループインタラクションをシミュレートして、実世界のグループ意思決定プロセスを反映することを目的としている。
  論文  参考訳（メタデータ） (2026-05-11T11:10:53Z)
• Cluster-R1: Large Reasoning Models Are Instruction-following Clustering Agents [81.79110139097297]
  汎用埋め込みモデルは意味的類似性を認識するのに優れているが、ユーザ命令で指定されたテキストの特徴を捉えることができない。 我々は、命令追従クラスタリングを生成タスクとして再編成し、大規模推論モデルを自律的なクラスタリングエージェントとして訓練する。 我々の推論駆動学習パイプラインは、LEMがハイレベルクラスタリング命令を解釈し、対応する潜在グループを推測することを可能にする。
  論文  参考訳（メタデータ） (2026-03-06T10:15:54Z)
• CoT Referring: Improving Referring Expression Tasks with Grounded Reasoning [67.18702329644526]
  CoT Referringは、構造化されたチェーン・オブ・シークレット・トレーニングデータ構造を通じて、モデル推論をモダリティにわたって強化する。 トレーニングデータを再構築して、新たな出力フォームを実行し、既存のデータセットに新たなアノテーションを提供します。 また、検出とセグメント化機能を統合MLLMフレームワークに統合し、新しい適応重み付き損失で学習して性能を最適化する。
  論文  参考訳（メタデータ） (2025-10-03T08:50:21Z)
• Prompt-Guided Relational Reasoning for Social Behavior Understanding with Vision Foundation Models [8.36651942320007]
  グループアクティビティ検出(GAD)は、ビデオ内での社会的グループとその集団行動を認識することを含む。 Vision Foundation Models(VFM)はDinoV2と同様、優れた機能を提供するが、主にオブジェクト中心のデータに基づいて事前訓練されている。 本稿では,Pmpt-driven Group Activity Detection (ProGraD)を導入し,そのギャップを1つに埋める手法を提案する。
  論文  参考訳（メタデータ） (2025-08-11T13:59:22Z)
• Redefining Event Types and Group Evolution in Temporal Data [0.16385815610837165]
  時間的データにおいて、集団進化を特徴づける主要なアプローチは、出来事の特定を通じてである」。 我々は事象をアーチェタイプとして考える」とは、我々がファセット・エクセレミティ(facet extremities)と呼ぶ定量的次元のユニークな組み合わせによって特徴づけられる。 本フレームワークは,複数の対面インタラクションデータセットからグループを進化させ,よりリッチで信頼性の高いグループダイナミクスのキャラクタリゼーションを可能にする。
  論文  参考訳（メタデータ） (2024-03-11T14:39:24Z)
• A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
  分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。 非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-26T14:21:45Z)
• Detecting Evidence of Organization in groups by Trajectories [0.0]
  本稿では,エージェント・トラジェクトリに基づくネットワーク構造推定のための2つの新しい手法を提案する。 新たなアプローチの有効性を評価するため,動物界における4つのシナリオシミュレーションを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-08-31T23:57:02Z)
• An Operational Perspective to Fairness Interventions: Where and How to Intervene [9.833760837977222]
  フェアネス介入の評価と文脈化のための包括的枠組みを提案する。 予測パリティに関するケーススタディで、我々のフレームワークを実証する。 グループデータを使わずに予測パリティを実現することは困難である。
  論文  参考訳（メタデータ） (2023-02-03T07:04:33Z)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)

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。