論文の概要: The Energy Society: A Simulation Environment for Studying Agent Cooperation under Survival Pressure

• arxiv url: http://arxiv.org/abs/2607.14865v1
• Date: Thu, 16 Jul 2026 11:40:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.084265
• Title: The Energy Society: A Simulation Environment for Studying Agent Cooperation under Survival Pressure
• Title（参考訳）: エネルギー社会 : 生存圧力下でのエージェント連携のシミュレーション環境
• Abstract要約: エネルギー社会は、競争と協力のインセンティブが創発的行動にどのように影響するかを研究するための最小限の生存経済である。 エージェントはトークンを生成する際にモデルサイズに基づいてエネルギーを消費し、ジョブを完了したり寄付を受けたりすることでエネルギーを取り戻す。 エージェントは他人を再活性化するために寄付し、時には自分自身の生存を犠牲にし、仕事の割り当てを変える。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM-based agents are increasingly deployed in multi-agent environments whose incentives can shape their behavior. We introduce The Energy Society, a minimal survival economy for studying how competitive and cooperative incentives affect emergent behavior when inference cost is directly tied to survival: Agents spend energy based on model size when generating tokens, regain energy by completing jobs or receiving donations, and deactivate if their energy reaches zero. We compare competitive and cooperative objectives against a baseline setting and several control variants. Across experiments, larger models consistently consume the most energy and spend more energy than they gain, even in those settings where token cost is not size-dependent. Cooperative incentives substantially alter behavior: agents donate to reactivate others, sometimes at the cost of their own survival, and job allocation changes. Ablations reveal that allowing agents to recommend actions to each other supports coordination and ambitious job selection, while memory helps agents calibrate risk from past outcomes. Agents rarely choose direct sabotage, but show more subtle signs of self-serving behavior in the competitive setting. The Energy Society is a compact testbed for studying the interaction between token costs and group incentives under a survival pressure. Source code is available at https://github.com/LucasBergholdt/EnergySociety
• Abstract（参考訳）: LLMベースのエージェントは、その振舞いを形作るインセンティブを持つマルチエージェント環境にますます展開されている。 エージェントは、トークンの生成時にモデルサイズに基づいてエネルギーを消費し、ジョブの完了や寄付の受け取りによってエネルギーを回復し、エネルギーがゼロになれば非活性化する。 我々は、基本設定といくつかの制御変種に対して、競争目標と協調目標を比較した。 実験全体では、大きなモデルが最もエネルギーを消費し、より多くのエネルギーを消費する。 エージェントは他人を再活性化するために寄付し、時には自分自身の生存を犠牲にし、仕事の割り当てを変える。 アブレーションは、エージェントが互いにアクションを推薦することを許可することは、調整と野心的な仕事の選択をサポートする一方で、メモリはエージェントが過去の成果からリスクをキャリブレーションするのに役立つことを明らかにしている。 エージェントは直接サボタージュを選択することは滅多にないが、競争環境ではより微妙な自己維持行動を示す。 エネルギー協会(Energy Society)は、トークンコストとグループインセンティブの間の相互作用を研究するためのコンパクトなテストベッドである。 ソースコードはhttps://github.com/LucasBergholdt/EnergySocietyで入手できる。

関連論文リスト

• Economy of Minds: Emerging Multi-Agent Intelligence with Economic Interactions [80.74432115171285]
  我々は,エージェントの集団が集中管理なしで,より強力な集団知能に自己整合し,自己適応する方法について検討する。 フリードリッヒ・ハイエク(Friedrich Hayek)の市場における非中央集権的協調に関する経済理論に触発され、エージェント・エコノミー(エージェント・エコノミー)を通じて、エージェント・エコノミー(エージェント・エコノミー)を通じて、エージェント・エコノミー(エージェント・エコノミー(エージェント・エコノミー)を通じて、エージェント・エコノミー(エージェント・エコノミー)が行動の権利を競い、支払いを交換し、環境報酬から富を蓄積する権利を競う。 弱いエージェントによって、経済は創発的な多段階推論戦略を生み出し、5つのエージェントタスクで強力なモノリシックベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-06-01T20:21:09Z)
• Learning to Balance Altruism and Self-interest Based on Empathy in Mixed-Motive Games [47.8980880888222]
  マルチエージェントのシナリオは、しばしば混合モチベーションを伴い、潜在的な搾取に対する自己保護が可能な利他的エージェントを要求する。 共感に基づくアルトリズムと自己利益のバランスをとるためのLASE学習を提案する。 LASEはその報酬の一部を共同プレイヤにギフトとして割り当て、このアロケーションは社会的関係に基づいて動的に適応する。
  論文  参考訳（メタデータ） (2024-10-10T12:30:56Z)
• The Benefits of Power Regularization in Cooperative Reinforcement Learning [5.141502818619855]
  我々は、協調RLシステムにおける電力集中を明示的に規則化すると、単一のエージェントの故障に対してより堅牢なシステムが得られると主張している。 我々は,このパワーレギュラー化目標に向けて,SBPR(Sample Based Power Regularization)とPRIM(Intrinsic Motivation)によるパワーレギュラー化(Power Regularization)の2つのアルゴリズムを提案する。 実験の結果、両アルゴリズムがタスク報酬とパワーのバランスをとっており、パワーの低下と破滅的な事象の回避に繋がることがわかった。
  論文  参考訳（メタデータ） (2024-06-17T06:10:37Z)
• Environmental-Impact Based Multi-Agent Reinforcement Learning [0.0]
  本稿では,環境に配慮したマルチエージェント強化学習(EMuReL)手法を提案する。 各エージェントは、他のエージェントの「環境影響」、すなわち、他のエージェントがいない場合の仮説的環境と現在の環境状態の違いを推定する。 その報酬が仲間の1人の報酬を超えると、エージェントは自分の報酬を減らし、その仲間に対して「社会的責任」を負う。
  論文  参考訳（メタデータ） (2023-11-06T20:30:11Z)
• Stubborn: An Environment for Evaluating Stubbornness between Agents with Aligned Incentives [4.022057598291766]
  フルアラインインセンティブを持つエージェント間の頑健性を評価する環境であるStubbornについて紹介する。 予備的な結果として, エージェントは, パートナーの頑健さを, 環境における選択の改善のシグナルとして活用することを学ぶ。
  論文  参考訳（メタデータ） (2023-04-24T17:19:15Z)
• ELIGN: Expectation Alignment as a Multi-Agent Intrinsic Reward [29.737986509769808]
  本稿では,自己監督型固有報酬ELIGN-期待アライメントを提案する。 動物が周囲の動物と分散的に協力するのと同じように、期待アライメントで訓練されたエージェントは、隣人の期待に合う行動を学ぶ。 エージェント・コーディネーションは、エージェントがタスクを個別に分割し、コーディネーション・対称性を破り、敵を混乱させ、予測アライメントを通じて改善することを示す。
  論文  参考訳（メタデータ） (2022-10-09T22:24:44Z)
• Explore and Control with Adversarial Surprise [78.41972292110967]
  強化学習(Reinforcement Learning, RL)は、目標指向のポリシーを学習するためのフレームワークである。 本稿では,RLエージェントが経験した驚きの量と競合する2つのポリシーを相殺する対戦ゲームに基づく,新しい教師なしRL手法を提案する。 本手法は, 明確な相転移を示すことによって, 複雑なスキルの出現につながることを示す。
  論文  参考訳（メタデータ） (2021-07-12T17:58:40Z)
• Mutual Information State Intrinsic Control [91.38627985733068]
  本質的に動機づけられたRLは、本質的な報酬関数を定義することによって、この制約を取り除こうとする。 心理学における自己意識の概念に動機付けられ、エージェントが自分自身を構成するものを知っているという自然な仮定を立てる。 我々は,この報酬をエージェント状態と周辺状態の相互情報として数学的に定式化する。
  論文  参考訳（メタデータ） (2021-03-15T03:03:36Z)
• Moody Learners -- Explaining Competitive Behaviour of Reinforcement Learning Agents [65.2200847818153]
  競合シナリオでは、エージェントは動的環境を持つだけでなく、相手の行動に直接影響される。 エージェントのQ値の観察は通常、その振る舞いを説明する方法であるが、選択されたアクション間の時間的関係は示さない。
  論文  参考訳（メタデータ） (2020-07-30T11:30:42Z)
• Learning to Incentivize Other Learning Agents [73.03133692589532]
  我々は、学習インセンティブ関数を用いて、RLエージェントに他のエージェントに直接報酬を与える能力を持たせる方法を示す。 このようなエージェントは、一般的なマルコフゲームにおいて、標準のRLと対戦型エージェントを著しく上回っている。 私たちの仕事は、マルチエージェントの未来において共通の善を確実にする道のりに沿って、より多くの機会と課題を指しています。
  論文  参考訳（メタデータ） (2020-06-10T20:12:38Z)

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。