論文の概要: Strategic Bidding in 6G Spectrum Auctions with Large Language Models
- arxiv url: http://arxiv.org/abs/2604.24156v1
- Date: Mon, 27 Apr 2026 08:13:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.800877
- Title: Strategic Bidding in 6G Spectrum Auctions with Large Language Models
- Title（参考訳）: 大規模言語モデルを用いた6Gスペクトルオークションにおける戦略的入札
- Authors: Ismail Lotfi, Ali Ghrayeb,
- Abstract要約: LLM(Large Language Models)は、6Gスペクトルオークションにおける入札エージェントであり、車載ネットワークにおける予算制約がある。
この研究は、繰り返しスペクトルオークションにおけるLSM入札者の体系的評価を初めて提供する。
AIを駆使したエージェントが、今後6Gネットワークで戦略的に相互作用し、市場のダイナミクスを再構築する方法について、新たな洞察を提供する。
- 参考スコア（独自算出の注目度）: 4.078328754149022
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Efficient and fair spectrum allocation is a central challenge in 6G networks, where massive connectivity and heterogeneous services continuously compete for limited radio resources. We investigate the use of Large Language Models (LLMs) as bidding agents in repeated 6G spectrum auctions with budget constraints in vehicular networks. Each user equipment (UE) acts as a rational player optimizing its long-term utility through repeated interactions. Using the Vickrey-Clarke-Groves (VCG) mechanism as a benchmark for incentive-compatible, dominant-strategy truthfulness, we compare LLM-guided bidding against truthful and heuristic strategies. Unlike heuristics, LLMs leverage historical outcomes and prompt-based reasoning to adapt their bidding behavior dynamically. Results show that when the theoretical assumptions guaranteeing truthfulness hold, LLM bidders recover near-equilibrium outcomes consistent with VCG predictions. However, when these assumptions break -- such as under static budget constraints -- LLMs sustain longer participation and achieve higher utilities, revealing their ability to approximate adaptive equilibria beyond static mechanism design. This work provides the first systematic evaluation of LLM bidders in repeated spectrum auctions, offering new insights into how AI-driven agents can interact strategically and reshape market dynamics in future 6G networks.
- Abstract（参考訳）: 高速で公平なスペクトル割り当ては、6Gネットワークにおいて中心的な課題であり、膨大な接続性や異種サービスが無線リソースの制限に対して継続的に競合する。
本稿では,車載ネットワークにおける予算制約を伴う6Gスペクトルオークションにおける入札エージェントとしてLarge Language Models (LLMs) を用いることを検討した。
各ユーザ機器(UE)は、反復的なインタラクションを通じてその長期的なユーティリティを最適化する合理的プレイヤーとして機能する。
Vickrey-Clarke-Groves(VCG)メカニズムをインセンティブ互換で支配的な真理性のベンチマークとして使用し、LLM誘導の真理戦略とヒューリスティック戦略の比較を行う。
ヒューリスティックとは違って、LLMは歴史的成果とプロンプトに基づく推論を利用して入札行動に動的に適応する。
結果は, 真理性を保証する理論的仮定が成立すると, LLM入札者はVCG予測と一致したほぼ平衡な結果を回復することを示した。
しかしながら、静的な予算制約など、これらの仮定が破られると、LLMはより長い参加を保ち、高いユーティリティを実現し、静的なメカニズム設計を超えて適応均衡を近似する能力を明らかにします。
この研究は、AI駆動エージェントが戦略的に相互作用し、将来の6Gネットワークにおける市場ダイナミクスを再形成する方法についての新しい洞察を提供する、繰り返しのスペクトルオークションにおけるLSM入札者のシステマティックな評価を初めて提供する。
関連論文リスト
- Tackling Length Inflation Without Trade-offs: Group Relative Reward Rescaling for Reinforcement Learning [74.5532558466687]
群 Relative Reward Rescaling (GR$3$) は、一般的な、連続かつ報酬に依存したゲーティング機構である。
GR$3$は、標準のGRPOに匹敵するトレーニングダイナミクスとダウンストリームのパフォーマンスを維持する。
それは長さのインフレーションを著しく軽減し、最先端の長周期正規化ベースラインを上回ります。
論文 参考訳（メタデータ） (2026-03-11T08:41:34Z) - Large Language Models as Bidding Agents in Repeated HetNet Auction [4.305340565419997]
本稿では,ヘテロジニアスネットワーク(HetNets)内での繰り返しスペクトルオークションにおける推論エージェントとしての大規模言語モデル(LLMs)の統合について検討する。
本稿では,各基地局(BS)が独立して独自のマルチチャネルオークションを行う分散オークションベースのフレームワークを提案し,ユーザ機器(UE)がそれらの関連と入札値の両方を戦略的に決定する。
シミュレーションの結果,LCMを内蔵したUEは,ベンチマークよりもチャネルアクセス周波数が一貫して向上し,予算効率が向上することがわかった。
論文 参考訳（メタデータ） (2026-03-02T07:30:01Z) - Auction-Based RIS Allocation With DRL: Controlling the Cost-Performance Trade-Off [2.217288163160845]
基地局がセルエッジに配置した共有RISユニットの制御を競うマルチセル無線ネットワークにおいて,再構成可能なRIS(Reconfigurable intelligent surface)の割り当てについて検討した。
予算制約に固執しながら性能を最大化することを学ぶ深層強化学習(DRL)エージェントを統合する。
本研究は,次世代無線ネットワークにおけるRISの効率的かつ公平な利用のために,オークションベースのアロケーションと適応RL機構を組み合わせる可能性を強調した。
論文 参考訳（メタデータ） (2026-02-18T06:22:14Z) - MAESTRO: Meta-learning Adaptive Estimation of Scalarization Trade-offs for Reward Optimization [56.074760766965085]
大規模言語モデル(LLM)の整合性のための効率的なパラダイムとしてグループ相対政策最適化が登場している。
我々は,報酬スカラー化を動的潜在ポリシーとして扱い,モデルの終端隠蔽状態を意味的ボトルネックとして活用するMAESTROを提案する。
本稿では,軽量コンダクタネットワークがメタリワード信号としてグループ相対的優位性を生かしてポリシと共進化する,双方向最適化フレームワークにおけるコンテキスト的帯域幅問題としてこれを定式化する。
論文 参考訳（メタデータ） (2026-01-12T05:02:48Z) - Agentic Reinforced Policy Optimization [66.96989268893932]
検証可能な報酬付き大規模強化学習(RLVR)は,大規模言語モデル(LLM)を単一ターン推論タスクに活用する効果を実証している。
現在のRLアルゴリズムは、モデル固有のロングホライゾン推論能力と、マルチターンツールインタラクションにおけるその習熟性のバランスが不十分である。
エージェント強化ポリシー最適化(ARPO: Agentic Reinforced Policy Optimization)は,マルチターンLDMエージェントを学習するためのエージェントRLアルゴリズムである。
論文 参考訳（メタデータ） (2025-07-26T07:53:11Z) - Symbiotic Agents: A Novel Paradigm for Trustworthy AGI-driven Networks [1.5684305805304426]
大規模言語モデル(LLM)に基づく自律エージェントは、6Gネットワークの進化において重要な役割を果たすことが期待されている。
我々は、LLMのリアルタイム最適化アルゴリズムをTrustworthy AIに組み合わせた新しいエージェントパラダイムを導入する。
本稿では,AGIネットワークのエンドツーエンドアーキテクチャを提案し,移動車からのチャネル変動をキャプチャする5Gテストベッド上で評価する。
論文 参考訳（メタデータ） (2025-07-23T17:01:23Z) - ReAgent-V: A Reward-Driven Multi-Agent Framework for Video Understanding [71.654781631463]
ReAgent-Vは、新しいエージェントビデオ理解フレームワークである。
推論中に効率の良いフレーム選択とリアルタイムの報酬生成を統合する。
12のデータセットに対する大規模な実験は、一般化と推論において大きな成果を上げている。
論文 参考訳（メタデータ） (2025-06-02T04:23:21Z) - Supervised Optimism Correction: Be Confident When LLMs Are Sure [91.7459076316849]
教師付き微調整とオフライン強化学習の間には,新たな理論的関係が確立されている。
広く使われているビームサーチ法は、許容できない過度な最適化に悩まされていることを示す。
本稿では,トークンレベル$Q$-value推定のための簡易かつ効果的な補助的損失を導入したSupervised Optimism Correctionを提案する。
論文 参考訳（メタデータ） (2025-04-10T07:50:03Z) - Highly Dynamic and Flexible Spatio-Temporal Spectrum Management with AI-Driven O-RAN: A Multi-Granularity Marketplace Framework [8.664317254613792]
現在のスペクトル共有フレームワークは、静的か不十分に動的であることが多いため、適応性に苦しむ。
我々は、O-RANアーキテクチャ内での適応型AI駆動のスペクトル共有フレームワークを提案し、複数の時間スケールと空間的粒度のスペクトル要求を予測するために、識別型および生成型AI(AI)を統合する。
論文 参考訳（メタデータ） (2025-02-19T17:21:10Z) - Towards Bridging the FL Performance-Explainability Trade-Off: A
Trustworthy 6G RAN Slicing Use-Case [0.5156484100374059]
6Gネットワークスライシングには、効率的なリソース割り当てと説明可能な意思決定のための高性能なAIモデルが必要である。
本稿では,新しい説明誘導型インホック・フェデレーション・ラーニング(FL)手法を提案する。
我々は、いわゆる帰属に基づく信頼度測定によって、説明の忠実さを定量的に検証する。
論文 参考訳（メタデータ） (2023-07-24T15:51:06Z)
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。