論文の概要: Revac: A Social Deduction Reasoning Agent

• arxiv url: http://arxiv.org/abs/2604.19523v1
• Date: Tue, 21 Apr 2026 14:45:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.818891
• Title: Revac: A Social Deduction Reasoning Agent
• Title（参考訳）: Revac: ソーシャルな推論推論エージェント
• Authors: Mihir Shriniwas Arya, Avinash Anish, Aditya Ranjan,
• Abstract要約: Revac-8は、MindGames ArenaコンペティションのSocial Deductionトラック用に開発されたAIエージェントである。 Revac-8は、メモリベースのプレイヤープロファイリング、告発と防御のソーシャルグラフ分析、コミュニケーションのための動的トーン選択を統合している。 その結果,高度社会環境において,構造化メモリと適応通信の重要性が強調された。
• 参考スコア（独自算出の注目度）: 1.0164807666962064
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Social deduction games such as Mafia present a unique AI challenge: players must reason under uncertainty, interpret incomplete and intentionally misleading information, evaluate human-like communication, and make strategic elimination decisions. Unlike deterministic board games, success in Mafia depends not on perfect information or brute-force search, but on inference, memory, and adaptability in the presence of deception. This work presents the design and evaluation of Revac-8, an AI agent developed for the Social Deduction track of the MindGames Arena competition, where it achieved first place. The final agent evolved from a simple two-stage reasoning system into a multi-module architecture that integrates memory-based player profiling, social-graph analysis of accusations and defenses, and dynamic tone selection for communication. These results highlight the importance of structured memory and adaptive communication for achieving strong performance in high-stakes social environments.
• Abstract（参考訳）: プレイヤーは不確実性の下で推論し、不完全で意図的に誤解を招く情報を解釈し、人間のようなコミュニケーションを評価し、戦略的排除の決定をしなければならない。 決定論的なボードゲームとは異なり、マフィアの成功は完全な情報やブルートフォースサーチではなく、推論、記憶、騙しの存在下での適応性に依存している。 本研究は,MindGames ArenaコンペティションのSocial Deductionトラック用に開発されたAIエージェントであるRevac-8の設計と評価を行い,第1位を獲得した。 最終エージェントは、単純な2段階推論システムから、メモリベースのプレイヤープロファイリング、告発と防御のソーシャルグラフ分析、通信のための動的トーン選択を統合したマルチモジュールアーキテクチャへと進化した。 これらの結果は,高度社会環境での強いパフォーマンスを実現するために,構造化メモリと適応通信の重要性を強調した。

関連論文リスト

• Communicate-Predict-Act: Evaluating Social Intelligence of Agents [15.575081867336529]
  我々は,大規模言語モデル(LLM)のソーシャルインテリジェンスを研究するために,複合協調型および競争型ソーシャルゲームのマルチプレイヤーアリーナを導入する。 ゲームプレイのトレースを分析し,行動予測,コミュニケーション的影響,戦略的推論,競合する利益の下でのトレードオフを捉えた社会認知的指標を抽出する。
  論文  参考訳（メタデータ） (2026-04-09T19:40:15Z)
• Improvisational Games as a Benchmark for Social Intelligence of AI Agents: The Case of Connections [0.0]
  プレイング・コネクションは、知識検索、要約、他のエージェントの認知状態の認識におけるスキルを組み合わせる。 ゲームが言語モデルに基づくエージェントのソーシャルインテリジェンス能力の優れたベンチマークとしてどのように機能するかを示す。
  論文  参考訳（メタデータ） (2026-03-31T22:16:25Z)
• Evaluating Language Models' Evaluations of Games [65.49017696754825]
  我々は,AIシステムのゲーム評価を評価する新しいパラダイムを提唱する。 私たちは100ドル以上の新しいボードゲームと450以上の人間の判断の大規模なデータセットを活用しています。 本結果から,推論モデルは,非推論言語モデルよりもゲーム評価において,一般に人々と一致していることが示唆された。
  論文  参考訳（メタデータ） (2025-10-13T02:45:37Z)
• PokéAI: A Goal-Generating, Battle-Optimizing Multi-agent System for Pokemon Red [4.558478169296784]
  Pok'eAIは,Pok'emon Redを通じて自律的に再生・進行するように設計された,テキストベースでマルチエージェントな大規模言語モデル(LLM)フレームワークである。 本システムでは,3つの専門エージェント(Planning, Execution, Critique-each)と,独自のメモリバンク,役割,スキルセットで構成されている。
  論文  参考訳（メタデータ） (2025-06-30T10:09:13Z)
• Sentient Agent as a Judge: Evaluating Higher-Order Social Cognition in Large Language Models [75.85319609088354]
  SAGE(Sentient Agent as a Judge)は、大規模言語モデルの評価フレームワークである。 SAGEは人間のような感情の変化や内的思考をシミュレートするSentient Agentをインスタンス化する。 SAGEは、真に共感的で社会的に適応的な言語エージェントへの進捗を追跡するための、原則付き、スケーラブルで解釈可能なツールを提供する。
  論文  参考訳（メタデータ） (2025-05-01T19:06:10Z)
• 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)
• PLAYER*: Enhancing LLM-based Multi-Agent Communication and Interaction in Murder Mystery Games [21.639516389561837]
  我々はMurder Mystery Games(MMG)におけるマルチエージェント会話推論のための推論データセットWellPlayを紹介する。 WellPlayは12のゲームにまたがる1,482の推論質問で構成されている。 MMGにおけるLarge Language Model(LLM)ベースのエージェントのための新しいフレームワークPLAYER*を提案する。
  論文  参考訳（メタデータ） (2024-04-26T19:07:30Z)
• Incorporating Rivalry in Reinforcement Learning for a Competitive Game [65.2200847818153]
  本研究は,競争行動の社会的影響に基づく新しい強化学習機構を提案する。 提案モデルでは, 人工エージェントの学習を調節するための競合スコアを導出するために, 客観的, 社会的認知的メカニズムを集約する。
  論文  参考訳（メタデータ） (2022-08-22T14:06:06Z)
• Theoretical Modeling of Communication Dynamics [0.0]
  評論ゲームは、参加するエージェントの信頼性、他者が認識する誠実さに焦点を当てている。 シコファント、自我中心性、病理的嘘、送信者に対する攻撃性など、様々な送信者および受信者戦略が研究されている。 ミニマリストの悪意ある戦略は、操作的、支配的、破壊的であり、他人のコストに対する評判を著しく高める。
  論文  参考訳（メタデータ） (2021-06-09T22:02:19Z)
• Signaling in Bayesian Network Congestion Games: the Subtle Power of Symmetry [66.82463322411614]
  本論文は, 最適遠点透過型シグナリング方式の問題点に焦点をあて, 対称性がその解法において重要な性質であることを示す。 プレイヤーが対称でアフィンコスト関数を持つとき,最適なエクアント説得スキームが計算可能であることを示す。
  論文  参考訳（メタデータ） (2020-02-12T19:38:15Z)

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。