論文の概要: AgentSociety: Incentivizing Agentic Social Intelligence

• arxiv url: http://arxiv.org/abs/2605.26203v1
• Date: Mon, 25 May 2026 17:59:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.289958
• Title: AgentSociety: Incentivizing Agentic Social Intelligence
• Title（参考訳）: AgentSociety: エージェントソーシャルインテリジェンスへのインセンティブ
• Authors: Aditya Vema Reddy Kesari, Krishna Reddy Kesari,
• Abstract要約: 我々は、$mathttAgentSociety$が、エージェントがローカルコンテキストを利用して自律的な意思決定を行う環境を提供することを示した。 我々のメカニズムは、エージェントが隣のエージェントに情報を選択的に開示するインセンティブを与える。 我々は、$mathttAgentSociety$でデプロイされたオープンでプロプライエタリな言語モデルで採用されている戦略プロファイルを比較し、ベンチマークする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The success of deployed agents relies on their ability to handle open-ended user requests using their inherent capabilities, not only in solving requests directly but also in effectively leveraging inter-agent communication channels and feedback signals over time. This requires a multi-agent environment where agents can operate autonomously, strategically communicate, behave collaboratively and be driven by economic incentives, much like humans in society. Towards this vision, we propose $\mathtt{AgentSociety}$, a mechanism that enables decentralized agentic collaboration grounded in liquid democracy and information diffusion from social choice theory. We show that $\mathtt{AgentSociety}$ provides an environment for agents to make autonomous decisions utilizing their local context to maximize their utility while achieving collective outcomes through incentivized collaboration. Specifically, we prove that delegation to more competent neighbor agents is incentive compatible and naturally generates multi-agent routing path by consensus. Additionally, our mechanism incentivizes agents to selectively disclose information to their neighbor agents when doing so aligns with their self-interest, so as to garner influence. We characterize the Nash equilibrium showing that agent payoffs are reflective of their marginal contributions. We compare and benchmark strategy profiles adopted by open and proprietary state-of-the-art language models deployed in $\mathtt{AgentSociety}$ against best response. Finally, we evaluate collaborative performance from consensus-based routing among self-interested heterogeneous agents in $\mathtt{AgentSociety}$ on real-world datasets.
• Abstract（参考訳）: デプロイされたエージェントの成功は、リクエストを直接解決するだけでなく、エージェント間の通信チャネルやフィードバックシグナルを時間とともに効果的に活用する、独自の機能を使用して、オープンエンドのユーザリクエストを処理する能力に依存する。 これは、エージェントが自律的に行動し、戦略的にコミュニケーションし、協調して行動し、社会の人間のように経済的なインセンティブによって駆動されるマルチエージェント環境を必要とする。 このビジョンに向けて、我々は、流動民主主義と社会選択理論からの情報拡散に基づく分散化されたエージェント協調を可能にするメカニズムである$\matht{AgentSociety}$を提案する。 我々は、$\mathtt{AgentSociety}$が、エージェントがローカルコンテキストを利用して自律的な意思決定を行い、その有用性を最大化し、インセンティブ付きコラボレーションを通じて集合的な結果を達成する環境を提供することを示した。 具体的には、より有能な隣人への委譲がインセンティブと互換性があることを証明し、コンセンサスによって自然にマルチエージェントルーティングパスを生成する。 さらに,本機構は, エージェントに対して, 隣のエージェントに情報を選択的に開示するインセンティブを与え, インフルエンスを高める。 エージェントペイオフが彼らの限界貢献を反映していることを示すナッシュ均衡を特徴付ける。 我々は、$\mathtt{AgentSociety}$でデプロイされたオープンでプロプライエタリな言語モデルで採用されている戦略プロファイルを比較し、ベンチマークする。 最後に、実世界のデータセット上での自己関心のある異種エージェント間のコンセンサスに基づくルーティングから協調的なパフォーマンスを評価する。

関連論文リスト

• Collaborating in Multi-Armed Bandits with Strategic Agents [37.473632043513014]
  戦略エージェントが同一のバンディットのインスタンスをまとめて解くマルチエージェントベイジアンバンディット問題における協調学習について検討した。 複数のエージェントが情報を共有することで学習を加速する一方で、戦略エージェントは自由化と探索の回避を好んでいる。 我々は,強い後悔の保証を達成しつつ,ナッシュ均衡として協調を維持する機構であるtextttCAOSを提案する。
  論文  参考訳（メタデータ） (2026-05-13T08:10:36Z)
• Don't lie to your friends: Learning what you know from collaborative self-play [63.0121884175594]
  我々は、AIエージェントが知っていることを教えるために、根本的に新しいアプローチを提案する。 我々は,集団が正解に到達して報奨を受けるマルチエージェントコラボレーションを構築した。 望ましいメタ知識は、相互作用の構造に組み込まれたインセンティブから生まれる。
  論文  参考訳（メタデータ） (2025-03-18T17:53:20Z)
• Internet of Agents: Weaving a Web of Heterogeneous Agents for Collaborative Intelligence [79.5316642687565]
  既存のマルチエージェントフレームワークは、多種多様なサードパーティエージェントの統合に苦慮することが多い。 我々はこれらの制限に対処する新しいフレームワークであるInternet of Agents (IoA)を提案する。 IoAはエージェント統合プロトコル、インスタントメッセージのようなアーキテクチャ設計、エージェントのチーム化と会話フロー制御のための動的メカニズムを導入している。
  論文  参考訳（メタデータ） (2024-07-09T17:33:24Z)
• Affordable Generative Agents [16.372072265248192]
  AGA(Affordable Generative Agents)は、エージェント環境とエージェント間の両方のレベルで、信頼性と低コストのインタラクションの生成を可能にするフレームワークである。 私たちのコードは、https://github.com/AffordableGenerative-Agents/Affordable-Generative-Agentsで公開されています。
  論文  参考訳（メタデータ） (2024-02-03T06:16:28Z)
• ProAgent: Building Proactive Cooperative Agents with Large Language Models [89.53040828210945]
  ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。 ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。 ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
  論文  参考訳（メタデータ） (2023-08-22T10:36:56Z)
• Mediated Multi-Agent Reinforcement Learning [3.8581550679584473]
  社会福祉を最大化するために、政策グラデーションを持つエージェントとともに仲介者を訓練する方法を示す。 行列ゲームと反復ゲームにおける実験は,マルチエージェント強化学習におけるメディエータの適用の可能性を強調した。
  論文  参考訳（メタデータ） (2023-06-14T10:31:37Z)
• Decentralized scheduling through an adaptive, trading-based multi-agent system [1.7403133838762448]
  多エージェント強化学習システムでは、あるエージェントの動作が他のエージェントの報酬に悪影響を及ぼす可能性がある。 この作業は、エージェントが入ってくるジョブをコアに割り当てる責任を負うシミュレーションスケジューリング環境に、トレーディングアプローチを適用します。 エージェントは計算コアの使用権を交換して、低優先度で低報酬のジョブよりも高速に、高利益のジョブを処理できる。
  論文  参考訳（メタデータ） (2022-07-05T13:50:18Z)

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。