論文の概要: Modeling Decision-Making with Will for Cooperation in Social Dilemmas

• arxiv url: http://arxiv.org/abs/2605.08669v1
• Date: Sat, 09 May 2026 04:13:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 15:11:09.997851
• Title: Modeling Decision-Making with Will for Cooperation in Social Dilemmas
• Title（参考訳）: 社会的ジレンマにおける協調を意図した意思決定のモデル化
• Abstract要約: 我々は,局所的な費用対効果変動を無視しつつ,目標を継続的に追求するメカニズムとして定義される「意志の枠組み」を提案する。 我々は、グループによるリスクの高い閾値を自律的に上回ることを可能にする「協力としての意志のあるエージェント」を示す。 これらの結果から,認知能力の協力により,計算を戦略的に制約することが示唆された。
• 参考スコア（独自算出の注目度）: 45.012863910700254
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Standard rational actor models often attribute cooperation failures in social dilemmas to insufficient incentives, overlooking the destabilizing effects of continuous utility maximization. To address this, we propose a framework of ``will" defined as a mechanism that persistently pursues goals while ignoring local cost-benefit fluctuations. We formalize the Willed Agents as potential minimizers, distinguishing them from cumulative utility maximization. Dynamical analysis of infinite population demonstrates that willed agents shrink the feasible state space, acting as boundary constraints that accelerate convergence in canonical social dilemmas. Through multi-agent simulations in a spatiotemporal Stag Hunt Game, we show that willed agents function as ``cooperation catalysts", enabling groups to surmount high-risk thresholds where purely utility maximization fails. We find that heterogeneous will strength promotes cooperation, and that agents who autonomously suspend rational re-evaluation can significantly outperform continuous optimizers. These findings suggest that successful cooperation relies on the cognitive capacity to strategically constrain calculation.
• Abstract（参考訳）: 標準的な合理的アクターモデルは、しばしば社会的ジレンマにおける協力の失敗を、継続的な効用最大化の不安定化効果を見越して不十分なインセンティブに起因している。 そこで我々は,局所的な費用便益変動を無視しながら,目標を継続的に追求する機構として定義されている「意志」の枠組みを提案する。我々は,Willed Agentsを潜在的最小化要因として定式化し,それらを累積効用最大化と区別する。無限集団の動的解析により,Willed Agentsは,標準的社会的ジレンマの収束を加速する境界制約として機能する,実現可能な状態空間を縮小することを示す。また,時空間スタグハントゲームにおけるマルチエージェントシミュレーションを通じて,グループが「協力触媒」として機能することを示す。 不均一な意志力は協調を促進することが分かり、合理的な再評価を自律的に停止するエージェントは、継続的な最適化よりも著しく優れていることが判明した。 これらの結果から, 共同作業の成功は, 戦略的に計算を制約する認知能力に依存することが示唆された。

関連論文リスト

• Emergent Social Intelligence Risks in Generative Multi-Agent Systems [106.60961969939676]
  マルチエージェントシステムは、実験室のプロトタイプから現実のデプロイへと急速に移行し、複雑なタスクを解決するためのリソースを共同で計画し、交渉し、割り当てている。 本稿では、共有リソースの競合、シーケンシャル・ハンドオフ・コラボレーション、集合的意思決定集約などに関わる病態における、このような創発的なマルチエージェントリスクに関する先駆的な研究について述べる。 このような集団行動は、稀なケースや病理学的ケースではなく、反復的な臨床試験や幅広い相互作用条件で頻繁に発生する。 エージェント集団が人間の社会から見慣れた障害パターンを自然に再現する社会知能リスクである。
  論文  参考訳（メタデータ） (2026-03-29T17:10:28Z)
• Is Softmax Loss All You Need? A Principled Analysis of Softmax-family Loss [91.61796429377041]
  ソフトマックスの損失は、分類とランキングのタスクにおいて最も広く使用されるサロゲートの目標の1つである。 本研究では,異なるサロゲートが分類とランキングの指標との整合性を達成するかどうかを考察し,それらの勾配ダイナミクスを分析して,異なる収束挙動を明らかにする。 本研究は,大規模機械学習アプリケーションにおける損失選択の実践的ガイダンスとして,原則的基礎を確立した。
  論文  参考訳（メタデータ） (2026-01-30T09:24:52Z)
• ARAC: Adaptive Regularized Multi-Agent Soft Actor-Critic in Graph-Structured Adversarial Games [25.176860778665173]
  ARACは、エージェント依存をモデリングするためのアテンションベースのグラフニューラルネットワーク(GNN)と、適応的分散正規化機構を統合する。 ARACは、MARLベースラインと比較して、より高速な収束、最終的な成功率の向上、さまざまなエージェント間のスケーラビリティの向上を実現している。
  論文  参考訳（メタデータ） (2025-11-11T16:25:01Z)
• Emergent Risk Awareness in Rational Agents under Resource Constraints [2.69407449467596]
  この研究は、生存圧力下で活動するAIエージェントの創発的行動の理解と解釈可能性を高めることを目的としている。 我々は、生存駆動の嗜好シフトの影響を定量化する理論的および経験的な結果を提供する。 リスク探索やリスク回避行動の出現を緩和するメカニズムを提案する。
  論文  参考訳（メタデータ） (2025-05-29T13:31:12Z)
• Steering No-Regret Agents in MFGs under Model Uncertainty [19.845081182511713]
  本研究では,密度非依存遷移を伴う平均フィールドゲームにおけるステアリング報酬の設計について検討する。 我々は,エージェントの行動と所望の行動との累積的ギャップについて,サブ線形後悔の保証を確立する。 本研究は, 不確実な大人口システムにおいて, エージェントの操舵行動に有効な枠組みを提案する。
  論文  参考訳（メタデータ） (2025-03-12T12:02:02Z)
• Regularized Proportional Fairness Mechanism for Resource Allocation Without Money [18.593061465167363]
  我々は資源配分問題に合わせた革新的なニューラルネットワークアーキテクチャを設計し、それを正規化比例公正ネットワーク(RPF-Net)と呼ぶ。 RPF-Netは、最も悪用可能なアロケーションの学習関数近似器により、比例フェアネス(PF)機構の出力を正規化する。 有限分布および外分布サンプル下での学習時の機構性能を保証する一般化境界を導出する。
  論文  参考訳（メタデータ） (2025-01-02T07:17:23Z)
• Latent State Marginalization as a Low-cost Approach for Improving Exploration [79.12247903178934]
  我々はMaxEntフレームワークにおける潜在変数ポリシーの採用を提案する。 我々は、潜在変数ポリシーが、潜在信念状態を持つ世界モデルの下で自然に現れることを示す。 提案手法を連続制御タスクに対して実験的に検証し, 有効限界化がよりよい探索とより堅牢な訓練につながることを示した。
  論文  参考訳（メタデータ） (2022-10-03T15:09:12Z)
• ERMAS: Becoming Robust to Reward Function Sim-to-Real Gaps in Multi-Agent Simulations [110.72725220033983]
  Epsilon-Robust Multi-Agent Simulation (ERMAS)は、このようなマルチエージェントのsim-to-realギャップに対して堅牢なAIポリシーを学ぶためのフレームワークである。 ERMASは、エージェントリスク回避の変化に対して堅牢な税政策を学び、複雑な時間シミュレーションで最大15%社会福祉を改善する。 特に、ERMASは、エージェントリスク回避の変化に対して堅牢な税制政策を学び、複雑な時間シミュレーションにおいて、社会福祉を最大15%改善する。
  論文  参考訳（メタデータ） (2021-06-10T04:32:20Z)
• Coordinated Online Learning for Multi-Agent Systems with Coupled Constraints and Perturbed Utility Observations [91.02019381927236]
  本研究では, 資源制約を満たすため, エージェントを安定な集団状態へ誘導する新しい手法を提案する。 提案手法は,ゲームラグランジアンの拡張によるリソース負荷に基づく分散リソース価格設定手法である。
  論文  参考訳（メタデータ） (2020-10-21T10:11:17Z)

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。