論文の概要: GASim: A Graph-Accelerated Hybrid Framework for Social Simulation

• arxiv url: http://arxiv.org/abs/2605.07692v1
• Date: Fri, 08 May 2026 13:01:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.055346
• Title: GASim: A Graph-Accelerated Hybrid Framework for Social Simulation
• Title（参考訳）: GASim: ソーシャルシミュレーションのためのグラフ加速ハイブリッドフレームワーク
• Authors: Xuan Zhou, Yanhui Sun, Hantao Yao, Allen He, Yongdong Zhang, Wu Liu,
• Abstract要約: GASimは大規模社会シミュレーションのためのグラフ加速型ハイブリッドマルチエージェントフレームワークである。 LLMによって駆動されるコアエージェントに対して、GASimは、集中的なLLMベースの検索パイプラインを置き換えるために、Graph-Jasmined Memory (GOM)を導入した。 通常のエージェントの大部分に対して、GASimはグラフメッセージパッシング(GMP)を採用し、並列更新によるシーケンシャルなABM実行を代用している。
• 参考スコア（独自算出の注目度）: 56.12016729479412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale social simulators are essential for studying complex social patterns. Prior work explores hybrid methods to scale up simulations, combining large language models (LLM)-based agents with numerical agent-based models (ABM). However, this incurs high latency due to expensive memory retrieval and sequential ABM execution. To address this challenge, we propose GASim, a graph-accelerated hybrid multi-agent framework for large-scale social simulations. For core agents driven by LLM, GASim introduces Graph-Optimized Memory (GOM) to replace intensive LLM-based retrieval pipelines with lightweight propagation over a sparse memory graph. For the majority of ordinary agents, GASim employs Graph Message Passing (GMP), substituting sequential ABM execution with parallel updates by fine-grained feature aggregation and Graph Attention Network. We further introduce Entropy-Driven Grouping (EDG) that coordinates this hybrid partitioning, leveraging information entropy to dynamically identify emergent core agents situated in information-diverse neighborhoods. Extensive experiments show that GASim not only delivers a substantial 9.94-fold end-to-end speedup over the traditional hybrid framework but also consumes less than 20% of baseline tokens, significantly reducing costs while preserving strong alignment with real-world public opinion trends. Our code is available at https://github.com/Jasmine0201/GASim.
• Abstract（参考訳）: 大規模社会シミュレータは複雑な社会パターンの研究に不可欠である。 従来の研究は、大規模言語モデル(LLM)ベースのエージェントと数値エージェントベースモデル(ABM)を組み合わせることで、シミュレーションをスケールアップするためのハイブリッド手法について検討していた。 しかし、これは高価なメモリ検索とシーケンシャルなABM実行のためにレイテンシが高くなる。 この課題に対処するため,大規模社会シミュレーションのためのグラフ加速型ハイブリッドマルチエージェントフレームワークであるGASimを提案する。 LLMによって駆動されるコアエージェントに対して、GASimはグラフ最適化メモリ(Graph-Optimized Memory, GOM)を導入し、集中型LLMベースのパイプラインをスパースメモリグラフ上の軽量な伝搬に置き換える。 通常のエージェントの大部分に対して、GASimはグラフメッセージパッシング(GMP)を採用し、詳細な機能集約とグラフアテンションネットワークによる並列更新によるシーケンシャルなABM実行を代用している。 さらに、このハイブリッドパーティショニングをコーディネートするエントロピー駆動グループ(EDG)を導入し、情報エントロピーを活用して、情報多様性地区に位置する創発的コアエージェントを動的に識別する。 大規模な実験によると、GASimは従来のハイブリッドフレームワークよりも9.94倍のエンド・ツー・エンドのスピードアップを提供するだけでなく、ベースライントークンの20%未満を消費し、実際の世論の傾向に強く対応しながらコストを大幅に削減している。 私たちのコードはhttps://github.com/Jasmine0201/GASimで利用可能です。

関連論文リスト

• LLM-Based Multi-Agent Systems are Scalable Graph Generative Models [73.28294528654885]
  GraphAgent-Generator (GAG) は動的でテキスト対応のソーシャルグラフ生成のための新しいシミュレーションベースのフレームワークである。 GAGは、ゼロショットソーシャルグラフ生成のための時間ノードとエッジ生成プロセスをシミュレートする。 得られたグラフは7つの主要なマクロ的ネットワーク特性に付着し、微視的グラフ構造測定において11%の改善が達成される。
  論文  参考訳（メタデータ） (2024-10-13T12:57:08Z)

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。