論文の概要: Solver-Guided Reasoning for Mixed-Equilibrium Strategies

• arxiv url: http://arxiv.org/abs/2608.06741v1
• Date: Fri, 07 Aug 2026 03:12:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.335242
• Title: Solver-Guided Reasoning for Mixed-Equilibrium Strategies
• Title（参考訳）: 混合平衡戦略のためのソルバーガイド推論
• Abstract要約: Mixed-Strategy Decision Tree (MDT) は、均衡の静かな最適性をスパース戦略規則に定義する。 我々は,無制限テキサスホールデムに関するこの研究を,Textbf250万以上の混合戦略決定に対して解法託を問うことによってインスタンス化する。
• 参考スコア（独自算出の注目度）: 38.03807500614725
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reasoning in large language models (LLMs) is often grounded in human text, human demonstrations, and human-generated rationales. For equilibrium reasoning in complex games, however, relying on human data can be suboptimal. In fact, human play is often guided by intuition and heuristics and can deviate substantially from game equilibrium. This discrepancy is amplified in games with mixed-strategy equilibria, where human data is heavily biased toward pure strategies. Consequently, conditioning LLMs on this data yields weak game strategies. To grant LLMs the reasoning capacity in games, in this work, we study how to elicit equilibrium play using solver output. We propose Mixed-Strategy Decision Tree (MDT), which articulates the silent optimality of the equilibrium into sparse strategic rules that both humans and LLMs could understand. Using solver output rather than human annotation allows us to extend the input to arbitrarily new states and continuations. We instantiate this study on No-Limit Texas Hold'em by querying a solver oracle for over \textbf{250 million mixed-strategy decisions}; MDT together with other techniques \textbf{reduces the $\ell_1$ distance to the equilibrium by $52.6\%$} across $8$ different LLM configurations. A Route-only ablation tests the incremental contribution of the shadow-based contrast, while complete River-endgame and Liar's Dice experiments evaluate strategic fidelity and portability beyond the original NLH communication setting.
• Abstract（参考訳）: 大型言語モデル(LLM)における推論は、人間の文章、人間の実演、人間生成の合理性に基礎を置いていることが多い。 しかし、複雑なゲームにおける平衡推論では、人間のデータに依存することは最適ではない。 実際、人間の遊びは直観とヒューリスティックスによって導かれ、ゲーム均衡から大きく逸脱することがある。 この相違は、人間のデータが純粋な戦略に大きく偏っている混合ストラテジー均衡を持つゲームにおいて増幅される。 したがって、このデータにLLMを条件付けすると、弱いゲーム戦略が得られる。 LLMにゲームにおける推論能力を与えるため、本研究では、ソルバ出力を用いた平衡プレイの取り方について検討する。 そこで我々は, 均衡の静かな最適性を, 人間とLLMの両方が理解できる厳密な戦略ルールに表現する混合構造決定木(MDT)を提案する。 人間のアノテーションではなくソルバ出力を使用することで、入力を任意に新しい状態と継続に拡張することができる。 MDTは、他の技術とともに、8ドル異なるLCM構成で、$\ell_1$ 平衡までの距離を 52.6 %$} で誘導する。 Route-only ablation はシャドーベースのコントラストの漸進的な寄与をテストし、River-endgame と Liar's Dice の実験は元のNLH通信環境を超えて戦略的忠実性とポータビリティを評価する。

関連論文リスト

• Beyond Survival: Evaluating LLMs in Social Deduction Games with Human-Aligned Strategies [54.08697738311866]
  Werewolfのようなソーシャル推論ゲームは、言語、推論、戦略を組み合わせている。 我々は,100時間以上のビデオ,32.4M発声トークン,15の規則変種を含む高品質で人間認証されたWerewolfデータセットをキュレートした。 本稿では,勝利派戦略を2段階の真理として活用する新たな戦略調整評価法を提案する。
  論文  参考訳（メタデータ） (2025-10-13T13:33:30Z)
• LLMs as Policy-Agnostic Teammates: A Case Study in Human Proxy Design for Heterogeneous Agent Teams [0.7734726150561086]
  Heterogeneous-Agent Teamsをモデル化する上で重要な課題は、ポリシーがアクセスできない、あるいは人間のような非定常的なチームメイトと協力するためのトレーニングエージェントである。 従来のアプローチは、スケーラビリティを制限する高価なヒューマン・イン・ザ・ループデータに依存していた。 本研究では,政策に依存しない人間プロキシとしてLarge Language Models (LLMs) を用いて,人間の意思決定を模倣した合成データを生成する。
  論文  参考訳（メタデータ） (2025-10-07T17:21:20Z)
• Who is a Better Player: LLM against LLM [53.46608216197315]
  本稿では,大規模言語モデル (LLM) の総合的な性能を評価するための対戦型ベンチマークフレームワークを提案する。 広範にプレイされている5つのゲームをサポートし,20のLDMを駆使したプレーヤーを対象とする,特別な評価プラットフォームであるQi Townを紹介した。
  論文  参考訳（メタデータ） (2025-08-05T06:41:47Z)
• Do LLMs Know When to Flip a Coin? Strategic Randomization through Reasoning and Experience [1.7223564681760168]
  戦略的ランダム化はゲーム理論の鍵となる原理であるが、大きな言語モデル(LLM)では未探索のままである。 我々は,天地競馬に触発された新たなゼロサムゲームを提案し,ナッシュ均衡は最大エントロピー戦略に対応する。 より弱いモデルはプロンプトによらず決定論的であることを示し、強いモデルは明示的なヒントの下でランダム化を増大させることを示した。
  論文  参考訳（メタデータ） (2025-06-21T05:26:33Z)
• GTBench: Uncovering the Strategic Reasoning Limitations of LLMs via Game-Theoretic Evaluations [87.99872683336395]
  大規模言語モデル(LLM)は、重要な現実世界のアプリケーションに統合される。 本稿では,LLMの競合環境における推論能力について検討する。 まず,広く認識されている10のタスクを構成する言語駆動型環境であるGTBenchを提案する。
  論文  参考訳（メタデータ） (2024-02-19T18:23:36Z)
• Neural Population Learning beyond Symmetric Zero-sum Games [52.20454809055356]
  我々はNuPL-JPSROという,スキルの伝達学習の恩恵を受けるニューラル集団学習アルゴリズムを導入し,ゲームの粗相関(CCE)に収束する。 本研究は, 均衡収束型集団学習を大規模かつ汎用的に実施可能であることを示す。
  論文  参考訳（メタデータ） (2024-01-10T12:56:24Z)
• ApproxED: Approximate exploitability descent via learned best responses [61.17702187957206]
  連続的なアクションセットを持つゲームの近似的ナッシュ均衡を求める問題について検討する。 本稿では,戦略プロファイルに対するエクスプロイラビリティの近似を最小化する2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-01-20T23:55:30Z)
• Finding mixed-strategy equilibria of continuous-action games without gradients using randomized policy networks [83.28949556413717]
  グラデーションへのアクセスを伴わない連続アクションゲームのナッシュ平衡を近似的に計算する問題について検討する。 ニューラルネットワークを用いてプレイヤーの戦略をモデル化する。 本論文は、制約のない混合戦略と勾配情報のない一般的な連続アクションゲームを解決する最初の方法である。
  論文  参考訳（メタデータ） (2022-11-29T05:16:41Z)
• A Genetic Algorithm approach to Asymmetrical Blotto Games with Heterogeneous Valuations [0.0]
  Blotto Gamesは多次元戦略資源割り当ての一般的なモデルである。 この問題を解決するために,生物進化から着想を得た遺伝的アルゴリズムを社会学習と解釈した。 遺伝的アルゴリズムは, 対称ブロットゲームの解析的ナッシュ均衡に収束することを示す。
  論文  参考訳（メタデータ） (2021-03-26T10:20:19Z)
• Hindsight and Sequential Rationality of Correlated Play [18.176128899338433]
  私たちは、修正された振る舞いで達成できたことに対して、強いパフォーマンスを後見で保証するアルゴリズムを検討します。 我々は,学習の隠れた枠組みを,逐次的な意思決定の場で開発し,提唱する。 本稿では,それぞれの平衡の強さと弱さを文献に示す例を示す。
  論文  参考訳（メタデータ） (2020-12-10T18:30:21Z)

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。