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
• 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

• MemGraphRAG: Memory-based Multi-Agent System for Graph Retrieval-Augmented Generation [30.464508917946855]
  グラフベースのRAG(GraphRAG)は、構造的関係を捉えるために知識グラフを組み込んでいる。 既存のGraphRAG法は、グラフ構築のための分離されたフラグメントレベルの抽出に依存している。 本稿では,メモリベースのマルチエージェントシステムを導入し,高品質なグラフ構築を実現する新しいフレームワークであるMemGraphRAGを提案する。
  論文  参考訳（メタデータ） (2026-05-30T08:18:53Z)
• EMGFlow: Robust and Efficient Surface Electromyography Synthesis via Flow Matching [3.4728825864079877]
  深層学習に基づく表面筋電図(SEMG)のジェスチャー認識は、データ不足と限られた対象の多様性によってしばしばボトルネックとなる。 このギャップを埋めるために,条件付きsEMG生成フレームワークであるEMGFlowを提案する。 我々の知る限りでは、sEMG領域におけるフローマッチング(FM)と連続時間生成モデリングの適用性を調べる最初の研究である。
  論文  参考訳（メタデータ） (2026-04-15T10:07:29Z)
• COMBA: Cross Batch Aggregation for Learning Large Graphs with Context Gating State Space Models [19.591073105733567]
  状態空間モデルを用いた大規模グラフ学習のためのCOMBAを提案する。 2つの重要なイノベーションは、グラフコンテキストゲーティングとクロスバッチアグリゲーションである。 ベンチマークネットワークの実験は、ベースラインアプローチと比較して大きなパフォーマンス向上を示した。
  論文  参考訳（メタデータ） (2026-02-19T23:14:32Z)
• SYNAPSE: Empowering LLM Agents with Episodic-Semantic Memory via Spreading Activation [29.545442480332515]
  プリコンパイルされたリンクではなく静的を超越する統一メモリアーキテクチャであるSynapseを紹介する。 この結果から,Synapseは時間的およびマルチホップの複雑な推論タスクにおいて,最先端の手法を著しく上回ることがわかった。 私たちのコードとデータは受け入れ次第公開されます。
  論文  参考訳（メタデータ） (2026-01-06T06:19:58Z)
• An Enhanced Model-based Approach for Short Text Clustering [58.60681789677676]
  Twitter、Google+、Facebookなどのソーシャルメディアの人気が高まり、短いテキストのクラスタリングがますます重要になっている。 既存の手法は、トピックモデルに基づくアプローチと深層表現学習に基づくアプローチの2つのパラダイムに大別することができる。 短文の空間性と高次元性を効果的に扱えるDirichlet Multinomial Mixture Model (GSDMM) のギブスサンプリングアルゴリズムを提案する。 さらなる改良を保証しているGSDMMのいくつかの側面に基づいて,さらなる性能向上を目的とした改良されたアプローチであるGSDMM+を提案する。
  論文  参考訳（メタデータ） (2025-07-18T10:07:42Z)
• Scalable Graph Generative Modeling via Substructure Sequences [50.32639806800683]
  本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。 G$2$PMはグラフインスタンス(ノード、エッジ、グラフ全体)をサブ構造のシーケンスとして表現する。 それは、一般化可能かつ伝達可能な表現を学ぶために、シーケンスに関する生成的事前学習を採用する。
  論文  参考訳（メタデータ） (2025-05-22T02:16:34Z)
• RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
  完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。 RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。 評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
  論文  参考訳（メタデータ） (2025-03-25T03:21:48Z)
• 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)
• GenSim: A General Social Simulation Platform with Large Language Model based Agents [111.00666003559324]
  我々はtextitGenSim と呼ばれる新しい大規模言語モデル (LLM) ベースのシミュレーションプラットフォームを提案する。 我々のプラットフォームは10万のエージェントをサポートし、現実世界のコンテキストで大規模人口をシミュレートする。 我々の知る限り、GenSimは汎用的で大規模で修正可能な社会シミュレーションプラットフォームに向けた最初の一歩である。
  論文  参考訳（メタデータ） (2024-10-06T05:02:23Z)

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。