論文の概要: Towards Agentic Agent-based Models: Feasibility, Performance, and Statistical Model Checking

• arxiv url: http://arxiv.org/abs/2607.17948v1
• Date: Mon, 20 Jul 2026 13:49:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.643505
• Title: Towards Agentic Agent-based Models: Feasibility, Performance, and Statistical Model Checking
• Title（参考訳）: エージェント・エージェント・ベース・モデルに向けて:可能性, 性能, 統計的モデル検査
• Abstract要約: エージェントベースモデル(ABM)は、個々の意思決定にシンプルで明示的で再現可能なルールに依存している。 大規模言語モデル(LLM)の最近の進歩は、これらのルールをLLMベースのエージェント機能で置き換えたり、強化したり、摂動したりすることを誘惑させる。 本研究では,LSMによる意思決定の導入がABMシミュレーションの信頼性,計算コスト,動作に与える影響について検討する。
• 参考スコア（独自算出の注目度）: 0.42025549992700273
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agent-based models (ABMs) rely on simple, explicit and reproducible rules for individual decision making, while complex collective behavior emerges from interactions among agents. Recent advances in large language models (LLMs) make it tempting to replace, enrich, or perturb these rules with LLM-based agentic capabilities. However, this raises a methodological question: how does introducing LLM-driven decisions affect the reliability, computational cost, and behavior of ABM simulations? We investigate this for Mesa ABM models, a popular Python library for ABMs, analyzed by statistical model checking. Building on Mesa's integration with the statistical model checker MultiVeStA, we extend the classical Schelling segregation model with a hybrid population: ordinary agents classify neighbors using the standard symbolic rule, while one agent delegates this task to an LLM through tool calls. The LLM-enabled agent receives natural-language descriptions of neighboring agents and invokes tools that increment counters of similar/different neighbors; these counters determine its happiness according to the original Schelling dynamics. This provides a minimal but controlled setting where the semantic, operational, and computational behavior of LLM-based decisions can be studied inside an otherwise standard ABM. We report preliminary experiments with locally served LLMs of different sizes, showing that smaller models may fail simple semantic classification experiments or become operationally unusable during repeated tool-call generation, while larger tested models pass these preliminary checks. We discuss how statistical model checking can estimate classical ABM observables and quantify the impact of introducing agentic LLM components into simulation models.
• Abstract（参考訳）: エージェントベースモデル(ABM)は、エージェント間の相互作用から複雑な集団行動が現れるのに対して、個々の意思決定に対して単純で明示的で再現可能な規則に依存している。 大規模言語モデル(LLM)の最近の進歩は、これらのルールをLLMベースのエージェント機能で置き換えたり、強化したり、摂動したりすることを誘惑させる。 しかし、このことは、LCMによる決定の導入がABMシミュレーションの信頼性、計算コスト、行動にどのように影響するかという方法論的な疑問を提起する。 本稿では,統計モデルによる解析により,ABM用のPythonライブラリであるMesa ABMモデルについて検討する。 統計モデルチェッカーであるMultiVeStAとMesaの統合により、従来のスケジューリング分離モデルとハイブリッドな集団を拡張した: 通常のエージェントは標準的なシンボル規則を使って隣人を分類し、一方のエージェントはツールコールを通じてこのタスクをLLMに委譲する。 LLM対応エージェントは、隣接するエージェントの自然言語記述を受け取り、類似/異なる隣人のカウンターを増すツールを起動する。 これは、LLMに基づく決定のセマンティック、操作、および計算の振る舞いを、他の標準のAMM内で研究できる最小限の制御された設定を提供する。 異なるサイズのLLMを用いて予備実験を行い、より小さなモデルでは単純なセマンティック分類実験が失敗するか、繰り返しツールコール生成時に動作不能となり、より大きなテストモデルではこれらの予備チェックをパスすることを示した。 シミュレーションモデルにエージェントLPM成分を導入した場合, 従来のAMM観測変数を統計的に推定し, 影響を定量化する方法について検討する。

関連論文リスト

• AgoraSim: A Hybrid Agent-Based Modeling Framework [4.857286974497513]
  AgoraSimは、シナリオ指向の社会的反応分析のためのハイブリッドエージェントベースのモデリングフレームワークである。 LLM、視覚言語、カスタムエンドポイント、ランダム、クラシックエージェントを混合した比率制御された集団を運用している。 すべてのエージェントは共有された構造化された決定オブジェクトを出力し、共通のアクション空間、インタラクションプロトコル、メトリクス、監査記録を可能にする。
  論文  参考訳（メタデータ） (2026-07-07T08:37:17Z)
• Deliberate Evolution: Agentic Reasoning for Sample-Efficient Symbolic Regression with LLMs [52.89778838903305]
  Deliberate Evolution (DE) は、検索制御からシンボル生成を分離するエージェントフレームワークである。 LLM-SRBenchの実験では、DEMは様々な科学領域でLLMベースのSRベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-06-03T02:22:16Z)
• Learning POMDP World Models from Observations with Language-Model Priors [52.11151769796862]
  部分的に観測可能なマルコフ決定プロセス(POMDP)は、内部世界モデルのための柔軟なモデリングクラスを提供する。 先行知識を活用することで,言語モデルがコストのかかる相互作用を低減できるかどうかを問う。 我々は,emphPinductor が LLM ベースの POMDP 学習手法の性能とサンプル効率に一致することを示す。
  論文  参考訳（メタデータ） (2026-05-13T16:18:15Z)
• CTTS: Collective Test-Time Scaling [58.564620942591866]
  テスト時スケーリング(TTS)は,大規模言語モデル(LLM)のパフォーマンス向上のための,有望かつトレーニング不要なアプローチとして登場した。 単体テストタイムスケーリング(STTS)パラダイムを克服するために、CTTS(Collective Test-Time Scaling)を導入します。 CTTS-MMは、マルチエージェントとマルチリワードのコラボレーションを運用する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-08-05T11:19:08Z)
• World Modelling Improves Language Model Agents [11.081954466884392]
  DyMoは、トレーニング後の関数呼び出しと並行して、状態予測機能を備えた大きな言語モデルを拡張する方法である。 バークレー・コールリング・リーダーボードV2では、DyMoは成功率を改善し、幻覚を著しく減少させる。
  論文  参考訳（メタデータ） (2025-06-03T14:20:59Z)
• Applying Large Language Models to Travel Satisfaction Analysis [2.5105418815378555]
  本研究は上海で収集された家庭調査データを用いて,大言語モデル(LLM)と人間との相違点の存在と原因を特定する。 LLMは文脈的理解と一般化において強力な能力を持ち、タスク固有のデータへの依存を著しく減少させる。 小さいサンプルサイズで旅行行動のモデル化に応用できるLCMに基づくモデリング手法を提案する。
  論文  参考訳（メタデータ） (2025-05-29T09:11:58Z)
• Improving Reasoning Performance in Large Language Models via Representation Engineering [2.0099933815960256]
  大規模言語モデル(LLM)の表現工学的アプローチを提案する。 モデルアクティベーションは、推論タスクを処理する際にLLMの残ストリームから読み込まれる。 LLMは、ある程度に、アクティベーションを調節することで、認識された推論能力を向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-04-28T04:58:43Z)
• Model Utility Law: Evaluating LLMs beyond Performance through Mechanism Interpretable Metric [99.56567010306807]
  大規模言語モデル(LLM)は、学術、産業、そして日々のアプリケーションに欠かせないものになっている。 大規模言語モデル (LLM) 時代における評価の課題の1つは一般化問題である。 従来の性能スコアを補完するメカニズムの解釈可能性向上指標であるモデル利用指数(MUI)を提案する。
  論文  参考訳（メタデータ） (2025-04-10T04:09:47Z)
• FACT-AUDIT: An Adaptive Multi-Agent Framework for Dynamic Fact-Checking Evaluation of Large Language Models [79.41859481668618]
  大規模言語モデル(LLM)はファクトチェック研究を大幅に進歩させた。 既存のファクトチェック評価手法は静的データセットと分類基準に依存している。 本稿では, LLMのファクトチェック機能を適応的かつ動的に評価するエージェント駆動型フレームワークであるFACT-AUDITを紹介する。
  論文  参考訳（メタデータ） (2025-02-25T07:44:22Z)
• LLM-Lasso: A Robust Framework for Domain-Informed Feature Selection and Regularization [59.75242204923353]
  LLM-Lassoは大規模言語モデル(LLM)を利用してラッソ回帰における特徴選択を導くフレームワークである。 LLMは各特徴に対してペナルティ因子を生成し、単純でチューニング可能なモデルを用いてラスソペナルティの重みに変換される。 LLMによりより関連づけられた特徴は、より低い罰を受け、最終モデルに保持される可能性を高める。
  論文  参考訳（メタデータ） (2025-02-15T02:55:22Z)
• On the limits of agency in agent-based models [13.130587222524305]
  エージェントベースモデリングは複雑なシステムに対する強力な洞察を提供するが、その実用性は計算の制約によって制限されている。 大規模言語モデル(LLM)の最近の進歩は、適応エージェントによるABMを強化する可能性があるが、大規模なシミュレーションへの統合は依然として困難である。 大規模シミュレーションにおいて,行動複雑性と計算効率のバランスをとる手法であるLSMアーチタイプを提案する。
  論文  参考訳（メタデータ） (2024-09-14T04:17:24Z)

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。