Fugu-MT 論文翻訳(概要): Artificial Empathy: Towards a Framework for Unsupervised Agency Detection and Policy Reconstruction

論文の概要: Artificial Empathy: Towards a Framework for Unsupervised Agency Detection and Policy Reconstruction

arxiv url: http://arxiv.org/abs/2608.23030v1
Date: Mon, 24 Aug 2026 09:34:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-25 18:24:36.996365
Title: Artificial Empathy: Towards a Framework for Unsupervised Agency Detection and Policy Reconstruction
Title（参考訳）: 人工共感:非監督的機関検出と政策再構築のための枠組みを目指して
Abstract要約: 我々は、AIシステムが観察のみから環境中の他のエージェントを識別し、モデル化する方法について研究する。本稿では,エージェントダイナミクスの先行として独立したタスクで訓練された強化学習エージェントを用いて,エージェント検出とポリシー再構築を行うフレームワークを提案する。
参考スコア（独自算出の注目度）: 0.023528350620689267
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We study how an AI system can identify and model other agents in its environment from observation alone, which is a capability necessary for cooperative behaviour in the real world. This problem is less constrained than inverse reinforcement learning and remains largely unexplored. We propose a framework that uses a reinforcement learning agent, trained on an independent task as a prior about agentic dynamics, to perform agency detection and policy reconstruction.
Abstract（参考訳）: 実世界における協調行動に必要な機能である観察のみから,AIシステムが環境中の他のエージェントを識別し,モデル化する方法について検討する。この問題は逆強化学習よりも制約が小さく、まだほとんど探索されていない。本稿では,エージェントダイナミクスの先行として独立したタスクで訓練された強化学習エージェントを用いて,エージェント検出とポリシー再構築を行うフレームワークを提案する。

関連論文リスト

Agentic AI for Safety-critical Multi-drone Systems: Challenges and Opportunities [38.499036085412094]
マルチドローンシステムは、探索・救助(SAR)やインフラ監視といった安全上重要な任務のためにますます位置づけられている。しかし、現実世界の採用は、自律的なパフォーマンスだけでなく、エージェント的な振る舞いをプロフェッショナルな仕事に統合することの難しさにも制約されている。本稿では,NAMURとPERSISTの2つの取り組みから,その野心と教訓を合成する。
論文参考訳（メタデータ） (2026-08-19T11:53:02Z)
Beyond Individual Intelligence: Surveying Collaboration, Failure Attribution, and Self-Evolution in LLM-based Multi-Agent Systems [65.90791804095561]
マルチエージェントシステムは、特殊エージェント間の構造化された協調を通じてこの問題に対処するが、より厳密な調整は、あまり検討されていないリスクを増幅する。既存の調査では、個々のエージェント能力、マルチエージェントのコラボレーション、エージェントの自己進化を別々にカバーしている。この調査は4つの因果関係のあるステージを中心にまとめられた統一されたレビューを提供する。これはLIFEの進展(Lay the capabilities foundation)、協力によるエージェントの統合、帰属による障害の発見、自律的な自己改善によるEvolveである。
論文参考訳（メタデータ） (2026-05-14T14:36:13Z)
Agentic Reasoning for Large Language Models [122.81018455095999]
推論は推論、問題解決、意思決定の基礎となる基本的な認知プロセスである。大規模言語モデル(LLM)は、クローズドワールド設定では強力な推論能力を示すが、オープンエンドおよび動的環境では苦労する。エージェント推論は、連続的な相互作用を計画し、行動し、学習する自律的なエージェントとしてLLMを解釈することでパラダイムシフトを示す。
論文参考訳（メタデータ） (2026-01-18T18:58:23Z)
A Comprehensive Survey of Self-Evolving AI Agents: A New Paradigm Bridging Foundation Models and Lifelong Agentic Systems [53.37728204835912]
既存のAIシステムは、デプロイ後も静的な手作業による構成に依存している。近年,インタラクションデータと環境フィードバックに基づいてエージェントシステムを自動拡張するエージェント進化手法が研究されている。この調査は、自己進化型AIエージェントの体系的な理解を研究者や実践者に提供することを目的としている。
論文参考訳（メタデータ） (2025-08-10T16:07:32Z)
GenAI-based Multi-Agent Reinforcement Learning towards Distributed Agent Intelligence: A Generative-RL Agent Perspective [35.589506360952925]
我々は、AIに基づく強化学習を通じて、リアクティブからプロアクティブなマルチエージェントインテリジェンスへの変革的パラダイムシフトを論じる。生成的RLエージェントは、即時観測に反応するのではなく、環境の進化をモデル化し、他のエージェントの振る舞いを予測し、協調されたアクションシーケンスを生成し、長期的ダイナミクスの戦略的推論を行うことができる。
論文参考訳（メタデータ） (2025-07-13T05:02:43Z)
Collaborative AI Teaming in Unknown Environments via Active Goal Deduction [22.842601384114058]
協調エージェントを訓練するための既存のアプローチは、しばしば定義され既知の報酬信号を必要とする。本稿では,カーネル密度ベイズ逆学習法をアクティブなゴール推論に活用する未知のエージェントフレームワークと組むことを提案する。我々のフレームワークにおける不偏報酬推定は、未知のエージェントと最適なチームを作るのに十分であることを示す。
論文参考訳（メタデータ） (2024-03-22T16:50:56Z)
Robustifying a Policy in Multi-Agent RL with Diverse Cooperative Behaviors and Adversarial Style Sampling for Assistive Tasks [51.00472376469131]
多様な介護者対応を訓練することで、ロバストな介護者の方針を学習する枠組みを提案する。一般的な深層RL法で訓練されたポリシーは、他のエージェントのポリシーの変更に対して脆弱であることを示す。
論文参考訳（メタデータ） (2024-03-01T08:15:18Z)
Intrinsic Motivation in Model-based Reinforcement Learning: A Brief Review [77.34726150561087]
本稿では,エージェントが獲得した世界モデルに基づいて,本質的な動機付けを決定するための既存の手法について考察する。提案した統合フレームワークは,学習を改善するために,世界モデルと本質的なモチベーションを用いてエージェントのアーキテクチャを記述する。
論文参考訳（メタデータ） (2023-01-24T15:13:02Z)
Deep Reinforcement Learning for Multi-Agent Interaction [14.532965827043254]
自律エージェント研究グループは、自律システム制御のための新しい機械学習アルゴリズムを開発した。本稿では,現在進行中の研究ポートフォリオの概要を概説するとともに,今後の課題について論じる。
論文参考訳（メタデータ） (2022-08-02T21:55:56Z)
Robust Reinforcement Learning via Genetic Curriculum [5.421464476555662]
遺伝的カリキュラムは、エージェントが現在失敗しているシナリオを自動的に識別し、関連するカリキュラムを生成するアルゴリズムである。我々の実証研究は、既存の技術アルゴリズムよりも堅牢性の向上を示し、2倍から8倍のエージェントが失敗する確率の低いトレーニングカリキュラムを提供する。
論文参考訳（メタデータ） (2022-02-17T01:14:20Z)
Learning Latent Representations to Influence Multi-Agent Interaction [65.44092264843538]
エージェントのポリシーの潜在表現を学習するための強化学習に基づくフレームワークを提案する。提案手法は代替手段よりも優れており,他のエージェントに影響を与えることを学習している。
論文参考訳（メタデータ） (2020-11-12T19:04:26Z)

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。