論文の概要: Mechanism Plausibility in Generative Agent-Based Modeling

• arxiv url: http://arxiv.org/abs/2605.12824v2
• Date: Sun, 17 May 2026 05:34:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:45.795249
• Title: Mechanism Plausibility in Generative Agent-Based Modeling
• Title（参考訳）: 生成エージェントに基づくモデリングにおけるメカニズムの可塑性
• Authors: Patrick Zhao, David Huu Pham, Nicholas Vincent,
• Abstract要約: 大規模言語モデル(LLM)は、明示的にプログラムされた規則なしで高レベルの多様な現象を生成することができる。 近年の研究では、ソーシャルメディアプラットフォーム上での人間の行動や、ゲーム理論のシナリオにおけるエイリアンの行動など、興味のあるさまざまな現象を発生させる能力について研究している。 我々は,現代科学哲学を取り入れたLLM-ABMに関する最近の研究を,4段階の「楽観性」の定義を運用するために用いている。
• 参考スコア（独自算出の注目度）: 3.8124330987881137
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) can generate high-level diverse phenomena without explicitly programmed rules. This capability has led to their adoption within different agent-based models (ABMs) and social simulations. Recent studies investigate their ability to generate different phenomena of interest, for example, human behavior on social media platforms or alien behavior in game-theoretic scenarios. However, capability, prediction, and explanation are different--drawing from the philosophy of science and mechanisms literature, explanation requires showing, to some degree, how a phenomenon is produced by related organized entities and activities. For modelers, describing the characteristics of an experiment or whether a simulation provides progress in capability (or explanation), can be difficult without being grounded in potentially distant research areas. We integrate recent work on LLM-ABMs with contemporary philosophy of science literature and use it to operationalize a definition of 'plausibility' in a four-level scale. Our scale separates the evaluation of a model's generative sufficiency (ability to reproduce a phenomenon) from its mechanistic plausibility (how the phenomenon could be produced), and clarifies the distinct roles of different models, such as predictive and explanatory ones. We introduce this as the Mechanism Plausibility Scale.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、明示的にプログラムされた規則なしで高レベルの多様な現象を生成することができる。 この能力は、様々なエージェントベースモデル(ABM)や社会シミュレーションに採用されている。 近年の研究では、ソーシャルメディアプラットフォーム上での人間の行動や、ゲーム理論のシナリオにおけるエイリアンの行動など、興味のあるさまざまな現象を発生させる能力について研究している。 しかし、能力、予測、説明は科学やメカニズム文学の哲学と異なり、説明には何らかの程度において、関連する組織や活動によって現象がどのように生成されるかを示す必要がある。 モデラーにとって、実験の特徴を説明することや、シミュレーションが能力の進歩(または説明)を提供するかどうかを説明することは、潜在的に離れた研究領域に根ざすことなく困難である。 我々は,LLM-ABMに関する最近の研究を現代科学哲学と統合し,それを4段階の「楽しさ」の定義の運用に利用した。 本尺度は, モデル生成能(現象を再現する能力)と機械的妥当性(現象の生成方法)とを分離し, 予測的, 説明的モデルなどの異なるモデルの役割を明らかにする。 これをメカニズムプラウザビリティ尺度として紹介する。

関連論文リスト

• Hierarchical Latent Structures in Data Generation Process Unify Mechanistic Phenomena across Scale [50.33952894976367]
  我々は文脈自由文法を用いて、ウェブスケールテキストコーパスのための忠実で効率的なプロキシである合成コーパスを生成する。 設計したデータ生成プロセスにおいて,誘導ヘッド,関数ベクトル,ハイドラ効果という3つの力学現象の出現について検討する。 これらの現象の出現を説明する上で,データ生成プロセスの階層構造がX因子となることが示唆された。
  論文  参考訳（メタデータ） (2026-02-04T14:49:13Z)
• Learning Discrete Concepts in Latent Hierarchical Models [73.01229236386148]
  自然の高次元データから学習する概念は、ヒューマンアライメントと解釈可能な機械学習モデルの構築の可能性を秘めている。 我々は概念を階層的因果モデルを通して関連付けられた離散潜在因果変数として定式化する。 我々は、理論的な主張を合成データ実験で裏付ける。
  論文  参考訳（メタデータ） (2024-06-01T18:01:03Z)
• Learning World Models With Hierarchical Temporal Abstractions: A Probabilistic Perspective [2.61072980439312]
  内部世界モデルを開発するためのフォーマリズムの開発は、人工知能と機械学習の分野における重要な研究課題である。 この論文は、状態空間モデルを内部世界モデルとして広く用いられることによるいくつかの制限を識別する。 形式主義におけるモデルの構造は、信念の伝播を用いた正確な確率的推論を促進するとともに、時間を通してのバックプロパゲーションによるエンドツーエンドの学習を促進する。 これらの形式主義は、世界の状態における不確実性の概念を統合し、現実世界の性質をエミュレートし、その予測の信頼性を定量化する能力を向上させる。
  論文  参考訳（メタデータ） (2024-04-24T12:41:04Z)
• Language Models Represent Beliefs of Self and Others [14.630775330165529]
  本稿では,言語モデルのニューラルアクティベーションを通じて,様々なエージェントの観点から,信念の状態を線形に復号化できることを述べる。 我々は,モデルにおけるToMパフォーマンスの劇的な変化を観察し,社会的推論プロセスにおけるそれらの重要な役割を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-02-28T17:25:59Z)
• Explainability for Large Language Models: A Survey [59.67574757137078]
  大規模言語モデル(LLM)は、自然言語処理における印象的な能力を示している。 本稿では,トランスフォーマーに基づく言語モデルを記述する手法について,説明可能性の分類法を紹介した。
  論文  参考訳（メタデータ） (2023-09-02T22:14:26Z)
• Models we Can Trust: Toward a Systematic Discipline of (Agent-Based) Model Interpretation and Validation [0.0]
  我々は、モデルから情報を取り出すための相互作用の分野の開発を提唱する。 このような分野の発展に向けたいくつかの方向性を概説する。
  論文  参考訳（メタデータ） (2021-02-23T10:52:22Z)

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。