論文の概要: Commitment To Cooperation With Self-Negotiated Contracts

• arxiv url: http://arxiv.org/abs/2607.22750v1
• Date: Thu, 23 Jul 2026 11:04:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.86485
• Title: Commitment To Cooperation With Self-Negotiated Contracts
• Title（参考訳）: 自己交渉型契約との連携へのコミットメント
• Abstract要約: 目標に向かって交渉とナビゲーションを組み合わせた空間時間ゲームであるCTにおいて,LCMをベースとしたエージェントを用いた契約型協調が果たす役割について検討した。 セルフネゴシエーション契約は、通常の取引で可能なことを超えて、協力的な成果を改善できることがわかった。
• 参考スコア（独自算出の注目度）: 3.585764648520447
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As AI agents operate with increasing autonomy in a multi-agent world, they will need to learn to cooperate with other agents and with humans to generate mutual benefits. However, cooperation is a challenge because the costs of cooperation are often incurred early on, but the benefits are only realized later, creating an incentive to defect. How can AI agents cooperate with commitment? Here, we draw on inspiration from legal institutions and contracting that human societies have used to solve principal-agent problems of this kind. Contracts provide observable representations of agreements that enable credible commitments through the enforcement of terms. We study the role of contract-based cooperation using LLM-based agents in \CT, a spatial-temporal game that combines bargaining with navigation towards a goal. We study a suite of contract representations that range from formal contracts that compile to code to natural contracts that require reinterpretation. We evaluate agents with a range of LLM backbones using different sizes and providers. We find that self-negotiated contracts can improve cooperative outcomes beyond what is possible with regular trading.
• Abstract（参考訳）: マルチエージェントの世界でAIエージェントが自律性を高めるためには、他のエージェントや人間と協力して相互に利益を生み出すことを学ぶ必要がある。 しかし、協力のコストは早期に発生することが多いため、協力は課題であるが、利益は後になってのみ実現され、欠陥へのインセンティブが生まれる。 AIエージェントはコミットメントにどのように協力するのか? ここでは、法制度からインスピレーションを得て、人間社会がこの種の主犯問題の解決に利用した契約について述べる。 契約は、条件の施行を通じて信頼できるコミットメントを可能にする合意の観察可能な表現を提供する。 目標に向かって交渉とナビゲーションを組み合わせた空間時間ゲームである \CT における LLM ベースのエージェントを用いた契約型協調作業の役割について検討する。 コードをコンパイルする形式的なコントラクトから、再解釈を必要とする自然なコントラクトまで、一連のコントラクト表現を研究します。 異なるサイズとプロバイダを用いて, LLMバックボーンの幅の広いエージェントを評価した。 セルフネゴシエーション契約は、通常の取引で可能なことを超えて、協力的な成果を改善できることがわかった。

関連論文リスト

• Evaluating Rational Contracting in Natural Language [21.96106614313801]
  我々は,不確実な多段階環境において,エージェントが自然言語契約の交渉と実行を行うための合理的な枠組みを開発する。 2人のプレーヤーが交渉し、マルチターンサプライヤ契約を実行する評価スイートであるContractSimで、私たちのフレームワークをインスタンス化する。 現在, LLM をベースとしたエージェントは, 合意を確実に達成し, 環境不確実性が低い場合に, 効率的な契約交渉を行う。 また、契約を実行する際には、しばしば非協力的であり、契約が満足しやすい場合でも、追加利益のための契約条件に違反します。
  論文  参考訳（メタデータ） (2026-08-11T04:44:50Z)
• 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)
• SynAgent: Generalizable Cooperative Humanoid Manipulation via Solo-to-Cooperative Agent Synergy [59.86199649493784]
  制御可能な協調的ヒューマノイド操作は、インボディードインテリジェンスにとって根本的な問題である。 スケーラブルで物理的に妥当な協調操作を可能にするフレームワークであるSynAgentを提案する。 実験では、SynAgentは協調模倣と軌道条件制御の両方において既存のベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-04-20T17:46:20Z)
• Evaluating Generalization Capabilities of LLM-Based Agents in Mixed-Motive Scenarios Using Concordia [100.74015791021044]
  大規模言語モデル(LLM)エージェントは、社会的相互作用の素晴らしい能力を実証している。 既存の評価手法は、これらの能力がいかに新しい社会的状況に一般化するかを測ることに失敗する。 我々は,NeurIPS 2024 Concordia Contestで,エージェントが相互利得を達成する能力について評価した経験的結果を示す。
  論文  参考訳（メタデータ） (2025-12-03T00:11:05Z)
• Corrupted by Reasoning: Reasoning Language Models Become Free-Riders in Public Goods Games [87.5673042805229]
  大規模言語モデルは、アライメント、堅牢性、安全なデプロイメントを保証する上で、いかに自己関心と集合的幸福のバランスをとるかが重要な課題である。 我々は、行動経済学から制度的に選択した公共財ゲームに適応し、異なるLLMがいかに社会的ジレンマをナビゲートするかを観察することができる。 意外なことに、o1シリーズのようなLCMの推論は、協調にかなり苦労している。
  論文  参考訳（メタデータ） (2025-06-29T15:02:47Z)
• Learning to Negotiate via Voluntary Commitment [24.76922344331357]
  自律エージェントの部分的なアライメントとコンフリクトは、現実世界のアプリケーションにおいて混合モチベーションシナリオをもたらす。 我々は,エージェントが自発的に将来の計画にコミットできる,コミットメントゲームの一種であるMarkov Commitment Games (MCGs)を提案する。 混合モチベーションの課題に対する実験結果から,より高速な経験的収束と,本手法の帰納率の向上が示された。
  論文  参考訳（メタデータ） (2025-03-05T19:55:10Z)
• Cooperation, Competition, and Maliciousness: LLM-Stakeholders Interactive Negotiation [52.930183136111864]
  我々は,大言語モデル(LLM)を評価するためにスコーラブルネゴシエーション(scorable negotiations)を提案する。 合意に達するには、エージェントは強力な算術、推論、探索、計画能力を持つ必要がある。 我々は、新しいゲームを作成し、進化するベンチマークを持つことの難しさを増大させる手順を提供する。
  論文  参考訳（メタデータ） (2023-09-29T13:33:06Z)
• 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)
• Building Cooperative Embodied Agents Modularly with Large Language Models [104.57849816689559]
  本研究では, 分散制御, 生の知覚観察, コストのかかるコミュニケーション, 様々な実施環境下でインスタンス化された多目的タスクといった課題に対処する。 我々は,LLMの常識知識,推論能力,言語理解,テキスト生成能力を活用し,認知に触発されたモジュラーフレームワークにシームレスに組み込む。 C-WAH と TDW-MAT を用いた実験により, GPT-4 で駆動される CoELA が, 強い計画に基づく手法を超越し, 創発的な効果的なコミュニケーションを示すことを示した。
  論文  参考訳（メタデータ） (2023-07-05T17:59:27Z)
• Negotiating Team Formation Using Deep Reinforcement Learning [32.066083116314815]
  深層強化学習を用いてチームを交渉・形成するための訓練エージェントのための枠組みを提案する。 我々は,非空間的および空間的に拡張されたチーム・フォーム交渉環境に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2020-10-20T15:41:23Z)

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。