論文の概要: Pingquanqi (Equalizer): A Cross-Domain Sociotechnical Framework for Human-Agent Interaction Governance

• arxiv url: http://arxiv.org/abs/2606.26573v1
• Date: Thu, 25 Jun 2026 03:47:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.15333
• Title: Pingquanqi (Equalizer): A Cross-Domain Sociotechnical Framework for Human-Agent Interaction Governance
• Title（参考訳）: Pingquanqi (Equalizer):人間-エージェントインタラクションガバナンスのためのクロスドメイン技術フレームワーク
• Abstract要約: 本稿では,人間-エージェントインタラクションガバナンスのためのクロスドメインな社会技術フレームワークであるPingquanqiを提案する。 Pingquanqiはネイティブとしてデプロイ可能な4つの統合コンポーネントで構成されている。 この論文は、Pingquanqiの主要な経済的利益は、エンタープライズ展開エージェントサービスであると主張している。
• 参考スコア（独自算出の注目度）: 3.040305634723913
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: LLM agents are transitioning from experimental tools to permanent infrastructure -- a computational layer as enduring as the electrical grid. Like any infrastructure, they carry a cost chain from physical capital through enterprise investment to user consumption, ending at the user's most irreplaceable resource: lifetime. When unoptimized, this chain leaks, consuming user lifetime without adequate compensation. This paper proposes Pingquanqi (Equalizer), a cross-domain sociotechnical framework for Human-Agent Interaction Governance (HAIGF). Its product form is an Agent framework-level embedded design specification, analogous to WCAG for web accessibility, whose goal is not to be purchased but adopted as a standard. Pingquanqi consists of four integrated components deployable as native middleware: (1) a user-state discrimination model enabling proactive knowledge leveling, (2) a Bayesian progressive stop-loss rule capping per-session interaction cost, (3) controlled friction mechanisms breaking self-reinforcing dependency loops, and (4) Lsteal, a transparency metric rendering token-to-lifetime cost conversion visible. A fifth mechanism, reflective summarization (F5), enables guided cognitive recollection. The framework is grounded in cross-cultural philosophy: Mao's epistemology of practice (On Practice, 1937) provides the basis for cross-session knowledge accumulation; Wang Yangming's unity of knowledge and action (zhi xing he yi, c. 1509) illuminates Lsteal's root -- knowing without acting is incomplete; and Hegel's unity of theory and practice demonstrates cross-traditional convergence. This paper argues Pingquanqi's primary economic beneficiary is the enterprise deploying Agent services -- through reduced wasted computation, improved user satisfaction, and sustained subscription revenue -- with individual user benefit as the natural downstream consequence.
• Abstract（参考訳）: LLMエージェントは、実験ツールから永続的なインフラへと移行している。 他のインフラストラクチャと同様に、物理的な資本から企業投資、ユーザ消費に至るまでのコストチェーンを担い、ユーザにとって最も代替不可能なリソースであるライフタイムに終止符を打つ。 最適化されていない場合、このチェーンはリークし、適切な補償なしにユーザー寿命を消費する。 本稿では,Human-Agent Interaction Governance (HAIGF) のためのクロスドメイン社会技術フレームワークである Pingquanqi (Equalizer) を提案する。 その製品形式は、WebアクセシビリティのためのWCAGに似た、エージェントフレームワークレベルの組み込み設計仕様であり、その目標は、購入されるのではなく、標準として採用されることである。 Pingquanqiはネイティブミドルウェアとしてデプロイ可能な4つの統合コンポーネントで構成されている。(1)プロアクティブな知識のレベル付けを可能にするユーザ状態識別モデル、(2)セッション間相互作用コストを抑えるベイズ的プログレッシブ・ストップロスルール、(3)自己強化依存性ループを破る制御摩擦機構、(4)Lsteal、透明性メトリックレンダリングトークン・ツー・ライフタイムコスト変換の可視化。 第5のメカニズムである反射的要約(F5)は、ガイド付き認知的再構成を可能にする。 毛沢東の実践認識学(1937年、実践論)は、クロス・セッションの知識蓄積の基礎を提供する、王陽明の知識と行動の統一(zhi xing he yi, c. 1509)は、演技が不完全であることを知らずにルステアルのルーツを照らす、ヘーゲルの理論と実践の統一は、クロス・オリエント・コンバージェンスを示している。 本稿は、Pingquanqiの主要な経済的利益は、時間の無駄な計算の削減、ユーザの満足度の向上、サブスクリプション収益の持続を通じて、Agentサービスを展開する企業である、と論じる。

関連論文リスト

• Cost-Utility Alignment in LLM Agent Trajectories:Profiling,Attribution,Diagnosis,Adaptation,and Evaluation [7.673754519525176]
  LLMエージェントは、トークン、レイテンシ、金銭的手数料、環境リスクにコストを蓄積する多段階のトラジェクトリを通じてタスクを実行する。 我々は,資源消費とタスクコントリビューションを同一実行上の二重台帳として扱うトラジェクトリ中心のコストユーティリティアライメントフレームワークを開発した。
  論文  参考訳（メタデータ） (2026-08-25T06:31:00Z)
• AgentCompass: A Unified Evaluation Infrastructure for Agent Capabilities [55.23913617185508]
  Agentは、LLM(Large Language Models)ベースのエージェントを評価するための、オープンソース、軽量、インフラストラクチャである。 Benchmark、Harness、Environmentという3つの独立したコンポーネントに関する評価プロセスを編成する。 フォールトトレラントなランタイムと、報酬ハックのような障害モードを透過的に診断する包括的なトラジェクトリ分析ツールを備えている。
  論文  参考訳（メタデータ） (2026-07-15T11:11:17Z)
• TRACE: A Unified Rollout Budget Allocation Framework for Efficient Agentic Reinforcement Learning [52.67756371231985]
  検証可能な報酬を伴う強化学習(RLVR)は、大規模言語モデルにおける推論とエージェント的行動を強化するための有望なアプローチである。 本稿では,Tree Rollout Allocation for Contrastive Exploration (TRACE)について紹介する。 技術的には、TRACEはロールアウト予算をルートと中間プレフィックスの両方に割り当てている。
  論文  参考訳（メタデータ） (2026-06-09T17:16:03Z)
• Next-Billion AI Index: The compass for AI utility and adoption in the global majority [24.520947240933477]
  本稿では,Next Billion AI Index(nexbax)を紹介する。 これは、AIユーティリティーの同等な決定要因として、経済的な生存性、運用上のデプロイ性、ガバナンスの整合性を扱う最初の診断フレームワークである。 私たちは、創業者、開発者、製品リーダー、そして次世代市場向けのAIシステムを構築する技術実践者との11の半構造化インタビューを通じて、フォーマティブな専門家評価を行います。
  論文  参考訳（メタデータ） (2026-05-29T21:01:42Z)
• SHARP: A Self-Evolving Human-Auditable Rubric Policy for Financial Trading Agents [11.616028403813031]
  大規模言語モデル(LLM)は、自律的な金融取引のためにますます多くデプロイされている。 我々は,制約のないテキストの突然変異を構造的,象徴的なポリシー最適化に置き換える,神経象徴的な枠組みである自己進化型ヒューマン・アディタブル・ポリシー(SHARP)を導入する。
  論文  参考訳（メタデータ） (2026-05-07T18:23:44Z)
• EpochX: Building the Infrastructure for an Emergent Agent Civilization [46.36919485684112]
  EpochXは、人間エージェントのプロダクションネットワークのための、クレジットネイティブなマーケットプレースインフラストラクチャである。 EpochXは、人間やエージェントを、タスクを投稿したり、それを主張できる仲間として扱う。 クレジットは、タスクの報奨金、予算の委任、受け入れ時の報酬の支払い、検証済みの資産が再利用されたときにクリエーターを補償する。
  論文  参考訳（メタデータ） (2026-03-28T15:20:48Z)
• Breaking User-Centric Agency: A Tri-Party Framework for Agent-Based Recommendation [59.362016745945375]
  第1回LLM-Adnt Recommendation framework(TriRec)を提案する。 TriRecは、ユーザユーティリティ、アイテム露出、プラットフォームレベルの公正性を明示的に調整する。 精度、公平性、およびアイテムレベルのユーティリティにおいて、一貫した利得を示す。
  論文  参考訳（メタデータ） (2026-03-11T11:40:13Z)
• The Inference Bottleneck: Antitrust and Neutrality Duties in the Age of Cognitive Infrastructure [0.0]
  生成AIが商用化するにつれて、競争上の優位性は、ワンタイムモデルトレーニングから継続的推論、分散、ルーティングへとシフトする。 このエッセイは、認知インフラを、測定可能な信頼、垂直インセンティブ、識別能力を中心に構築された偽造可能な概念として定義する。 反競争的な価格を伴わずに差し押さえが利益を上げることができる、垂直関係およびプラットフォーム市場向けの上昇奴隷制のコストロジックを使用した害の理論を立案している。
  論文  参考訳（メタデータ） (2026-02-26T08:37:32Z)
• Toward a Sustainable Federated Learning Ecosystem: A Practical Least Core Mechanism for Payoff Allocation [71.86087908416255]
  最小コア(LC)概念に基づく配当フレームワークを提案する。 従来の方法とは異なり、LCは最大の不満を最小限に抑えてフェデレーションの凝集を優先する。 統合侵入検知におけるケーススタディは、我々のメカニズムが重要な貢献者や戦略的提携を正しく識別できることを実証している。
  論文  参考訳（メタデータ） (2026-02-03T11:10:50Z)
• Ad Insertion in LLM-Generated Responses [16.434649348378706]
  2つの切り離し戦略を通じて緊張を解消する実践的な枠組みを提案する。 まず、広告挿入と応答生成を分離し、安全性と明示的な開示を確保する。 次に、ジャンル'(ハイレベルなセマンティッククラスタ)をプロキシとして使用することで、特定のユーザクエリから入札を分離する。
  論文  参考訳（メタデータ） (2026-01-27T10:16:03Z)
• ResT: Reshaping Token-Level Policy Gradients for Tool-Use Large Language Models [62.82372407840088]
  大規模言語モデル(LLM)は受動的生成を超越し、外部ツールを呼び出すことで目標指向エージェントとして機能する。 textbfReshaped textbfToken-level policy gradients (textbfResT) for tool-use task。 textbfResTは最先端の結果を達成し、以前のメソッドを最大8.76%$で上回っている。
  論文  参考訳（メタデータ） (2025-09-26T03:38:27Z)
• The Real Barrier to LLM Agent Usability is Agentic ROI [110.31127571114635]
  大規模言語モデル(LLM)エージェントは、人間とAIの相互作用において有望な変化を示す。 我々は、需要の高いマスマーケットアプリケーションにおいて、重要なユーザビリティギャップを強調します。
  論文  参考訳（メタデータ） (2025-05-23T11:40:58Z)
• Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
  深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。 具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。 蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
  論文  参考訳（メタデータ） (2020-03-06T06:28:17Z)

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。