論文の概要: SLALOM: Simulation Lifecycle Analysis via Longitudinal Observation Metrics for Social Simulation

• arxiv url: http://arxiv.org/abs/2604.11466v1
• Date: Mon, 13 Apr 2026 13:40:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.56776
• Title: SLALOM: Simulation Lifecycle Analysis via Longitudinal Observation Metrics for Social Simulation
• Title（参考訳）: SLALOM: 社会シミュレーションのための縦観測指標によるライフサイクル分析
• Authors: Juhoon Lee, Joseph Seering,
• Abstract要約: LLM(Large Language Model)エージェントは、生成社会科学のための潜在的変換経路を提供する。 現在のシミュレーション評価手法は「停止クロック」問題に悩まされている。 本稿では,検証結果を結果検証からプロセス忠実度に移行するフレームワークSLALOMを紹介する。
• 参考スコア（独自算出の注目度）: 6.47425225935854
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large Language Model (LLM) agents offer a potentially-transformative path forward for generative social science but face a critical crisis of validity. Current simulation evaluation methodologies suffer from the "stopped clock" problem: they confirm that a simulation reached the correct final outcome while ignoring whether the trajectory leading to it was sociologically plausible. Because the internal reasoning of LLMs is opaque, verifying the "black box" of social mechanisms remains a persistent challenge. In this paper, we introduce SLALOM (Simulation Lifecycle Analysis via Longitudinal Observation Metrics), a framework that shifts validation from outcome verification to process fidelity. Drawing on Pattern-Oriented Modeling (POM), SLALOM treats social phenomena as multivariate time series that must traverse specific SLALOM gates, or intermediate waypoint constraints representing distinct phases. By utilizing Dynamic Time Warping (DTW) to align simulated trajectories with empirical ground truth, SLALOM offers a quantitative metric to assess structural realism, helping to differentiate plausible social dynamics from stochastic noise and contributing to more robust policy simulation standards.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、生成社会科学の潜在的な転換経路を提供するが、有効性の危機に直面している。 現在のシミュレーション評価手法は「停止クロック」の問題に悩まされており、シミュレーションが正しい最終結果に達したことを確認しつつ、それにつながる軌道が社会学的に妥当かどうかを無視している。 LLMの内部的推論は不透明であるため、社会的メカニズムの「ブラックボックス」を検証することは依然として永続的な課題である。 本稿では,結果の検証からプロセスの忠実度に移行するフレームワークSLALOM(Simulation Lifecycle Analysis via Longitudinal Observation Metrics)を紹介する。 パターン指向モデリング(POM)に基づいて、SLALOMは社会現象を、特定のSLALOMゲートを横切る必要がある多変量時系列、または異なる位相を表す中間経路制約として扱う。 動的時間温暖化(DTW)を利用してシミュレーションされた軌道を経験的根拠の真理と整合させることで、SLALOMは構造的リアリズムを評価するための定量的な指標を提供し、確率的ノイズから可塑性社会力学を区別し、より堅牢な政策シミュレーション標準に寄与する。

関連論文リスト

• Towards Real-world Human Behavior Simulation: Benchmarking Large Language Models on Long-horizon, Cross-scenario, Heterogeneous Behavior Traces [81.41397370235102]
  我々はOmniBehaviorを紹介した。OmniBehaviorは実世界のデータから構築された最初のユーザシミュレーションベンチマークである。 現在のモデルでは,コンテキストウィンドウが拡大しても,複雑な振る舞いを正確にシミュレートすることが困難であることを示す。 この結果、個人差や長い尾の挙動が失われ、将来の高忠実度シミュレーション研究における重要な方向性が浮き彫りになる。
  論文  参考訳（メタデータ） (2026-04-09T15:26:21Z)
• Beyond Scalars: Evaluating and Understanding LLM Reasoning via Geometric Progress and Stability [32.78289130870447]
  TRACEDは理論的な基底を持つ幾何学的運動学によって推論品質を評価するフレームワークである。 適切な推論は高い進行性,安定した軌道であるのに対し,幻覚は低い進行性,不安定なパターンによって特徴づけられる。
  論文  参考訳（メタデータ） (2026-03-11T03:58:43Z)
• Sim2Act: Robust Simulation-to-Decision Learning via Adversarial Calibration and Group-Relative Perturbation [54.29523408543184]
  シミュレーションと意思決定の学習は、現実世界の展開を危険にさらすことなく、デジタル環境で安全なポリシートレーニングを可能にする。 既存のアプローチでは、平均的なシミュレーションの忠実さを改善するか、保守的な正規化を採用するかに重点を置いている。 提案するSim2Actは,シミュレータとポリシーのロバスト性の両方に対処するロバストなシミュレーション・トゥ・意思決定フレームワークである。
  論文  参考訳（メタデータ） (2026-03-10T00:51:47Z)
• SimBench: Benchmarking the Ability of Large Language Models to Simulate Human Behaviors [58.87134689752605]
  我々は,LLMシミュレーションの堅牢で再現可能な科学のための,最初の大規模標準ベンチマークであるSimBenchを紹介する。 現在、最高のLLMでさえシミュレーション能力が限られ(スコア: 40.80/100)、性能はモデルサイズと対数的にスケールする。 シミュレーション能力は、深い知識集約的推論と最も強く相関していることを示す。
  論文  参考訳（メタデータ） (2025-10-20T13:14:38Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• LLM-Based Social Simulations Require a Boundary [3.351170542925928]
  大規模言語モデル(LLM)に基づく社会シミュレーションは明確な境界を確立するべきである。 本稿では、アライメント(実世界のパターンにマッチするシミュレーション行動)、一貫性(時間とともに一貫性のあるエージェント動作を維持する)、堅牢性という3つの重要な境界問題について検討する。
  論文  参考訳（メタデータ） (2025-06-24T17:14:47Z)
• Sense and Sensitivity: Evaluating the simulation of social dynamics via Large Language Models [27.313165173789233]
  大規模言語モデルは、社会力学をシミュレートする古典的エージェントベースモデル(ABM)の強力な代替物として提案されている。 しかし、LLMのブラックボックスの性質から、LLMエージェントが実際に意図した意味論を実行するかどうかは不明である。 目的とする力学を近似するプロンプトを設計することは可能であるが、これらのシミュレーションの品質はプロンプトの特定の選択に非常に敏感である。
  論文  参考訳（メタデータ） (2024-12-06T14:50:01Z)
• Analyzing and Enhancing Closed-loop Stability in Reactive Simulation [25.27603440925488]
  本研究では,シミュレーションと現実の交通シナリオ間の人間の行動ギャップを埋める新しいリアクティブ・シミュレーション・フレームワークを提案する。 まず、シミュレーション状態列の滑らかさと一貫性が安定性の重要な要因となる新しい反応性シミュレーションフレームワークを提案する。 次に、反応シミュレーションの閉ループ安定性を改善するために、キネマティック車両モデルをフレームワークに組み込む。
  論文  参考訳（メタデータ） (2022-08-09T06:31:35Z)

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。