論文の概要: GPS-Bench: A Governance Policy Benchmark for Automating Policy Analysis

• arxiv url: http://arxiv.org/abs/2609.03553v1
• Date: Thu, 03 Sep 2026 08:54:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.997446
• Title: GPS-Bench: A Governance Policy Benchmark for Automating Policy Analysis
• Title（参考訳）: GPS-Bench:政策分析の自動化のためのガバナンスポリシーベンチマーク
• Abstract要約: GPS-Benchは、ガバナンスポリシーシミュレーションのためのエビデンスベースのベンチマークである。 ポリシーを関連するアクター、アクターアクション、ダウンストリームの影響にリンクする。 これは、エビデンス、アクターモデリング、マルチエージェントインタラクションが政策成果の予測と解釈を改善するときの研究に共通の経験的設定を与える。
• 参考スコア（独自算出の注目度）: 1.9783095557597508
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Policy analysis requires more than predicting whether a proposal will pass: it requires identifying who will be affected, how those actors respond, and what follows. LLM-based policy simulations model these processes at scale, but their validity is hard to establish when plausible behaviour is never compared with observed outcomes. We introduce GPS-Bench, an evidence-grounded benchmark for governance policy simulation that links policies to relevant actors, actor actions and downstream impacts using legislative records, lobbying disclosures, regulatory documents, corporate filings, economic data and other public evidence. Actors are reconstructed from the dated record rather than prompted as archetypes, so a persona is an evidence object with provenance; a human-annotated pool forms the Gold evaluation set, while cases labelled by a separate LLM from retrieved evidence are treated as Silver supervision and never as test labels. Because every inference mode reads the same grounded state and emits the same schema, GPS-Bench turns "does multi-agent simulation help?" into a controlled comparison: we contrast joint reasoning, independent and communicating actor agents, graph-based methods and weight-level fine-tuning over one policy state. Fine-tuning on the grounded record gives the strongest actor-level impact prediction, and decomposition does not beat it; what decomposition adds is mechanism. Agents hold private, non-identical evidence, each seeing its own exposure clause, and address named partners with concrete joint proposals, what they offer, what they need in return, and why acting together beats acting alone, so the coalitions that form can be checked against the commitments the record holds. GPS-Bench therefore gives a common empirical setting for studying when evidence, actor modelling and multi-agent interaction improve the prediction and interpretation of policy outcomes.
• Abstract（参考訳）: 政策分析は、提案が通過するかどうかを予測すること以上のものを必要とします。 LLMに基づく政策シミュレーションは、これらのプロセスを大規模にモデル化するが、その妥当性は、観測された結果と検証可能な振る舞いが決して比較されない場合に確立するのは難しい。 GPSベンチ(GPS-Bench)は、関係するアクター、アクター行動、下流への影響を、立法記録、ロビー活動の開示、規制文書、企業書類、経済データ、その他の公的証拠を用いてリンクする、ガバナンス政策シミュレーションのためのエビデンスに基づくベンチマークである。 アクターは、アーキタイプとしてではなく、日付付きレコードから再構成されるので、ペルソナは証明された証拠対象であり、人間注釈のプールはゴールド評価セットを形成し、回収された証拠から別個のLCMでラベル付けされたケースはシルバー監督として扱われ、決してテストラベルとして扱われない。 すべての推論モードが同じ基底状態を読み出し、同じスキーマを出力するため、GPS-Benchは"マルチエージェントシミュレーションを助けるか?"を制御された比較に変換する。 グラウンドドレコードの微調整により、アクターレベルの影響予測が最強となり、分解がそれを上回ることはない。 エージェントは、それぞれ独自の露出条項、具体的な共同提案、提供内容、見返りに何が必要か、なぜ共同行動が単独で行動する理由など、プライベートで非同一の証拠を保有している。 したがって、GPS-ベンチは、証拠、アクターモデリング、マルチエージェントインタラクションが政策結果の予測と解釈を改善するときの研究に共通の経験的設定を与える。

関連論文リスト

• The Agentic Company OS: Substrate Inversion for Sustained Enterprise Agent Deployment [1.2744523252873352]
  我々は、障害モードが共通のアーキテクチャのルーツであると主張する。 本論では, 持続的作業にエージェントを配置する企業は, 認知基盤を再構築するべきであることを示唆する。
  論文  参考訳（メタデータ） (2026-09-11T09:48:43Z)
• From Matching Models to Recruiting Agents: A Systematized Narrative Review of AI Recruitment Systems, Evaluation, and Governance [1.436449142247059]
  このレビューは、ニューラル・パーソナリティ・マッチングによる双方向の検索と行動ランキングから発展を辿る。 類似性から相互適合性、モデルから複合ワークフロー、オフライン予測からエビデンスと生産性に整合した評価という3つの組み合わせの遷移を分析した。 評価証拠から最強の証明可能なクレームへのステージマッピングと,相互性,エビデンス,時間的制御,選択的,監査可能なシステムに関するアジェンダを導入する。
  論文  参考訳（メタデータ） (2026-09-03T08:46:03Z)
• EMERGE-Policy: A Robot Mind Emerges Beyond a Single Policy [48.898967774856466]
  EMERGE-Policyは機能呼び出しと情報交換の両方をコーディネートする。 Main Agentはアクティブなコンテキストウィンドウ内でタスクレベルの状態を保持する。 ロール固有のサブエージェント プロセスの認識、実行監視、検証、メモリ統合。
  論文  参考訳（メタデータ） (2026-08-30T16:46:06Z)
• EvalSafetyGap: A Hybrid Survey and Conceptual Framework for LLM Evaluation-Safety Failures [0.6588840794922407]
  本稿では、物語合成と組み合わせた体系的な探索と、グレーエビデンスを別々に追跡する。 この合成は、ベンチマークの妥当性、動的評価、安全性評価、ジェイルブレイク/拒否の堅牢性、報酬のハッキング、機械的解釈可能性、ガバナンス/監査性という8つのエビデンスストリームにまたがっている。 コントリビューションは、動的評価、透過的なソースレポート、多目的安全測定、監査可能なアライメントプラクティスをサポートするための共通語彙とエビデンスマップである。
  論文  参考訳（メタデータ） (2026-06-29T12:33:06Z)
• PolicyBank: Evolving Policy Understanding for LLM Agents [51.86716874651299]
  PolicyBankは構造化されたツールレベルの政策洞察を維持し、それらを反復的に洗練する。 PolicyBankは、人間の神託に対するギャップの最大82%を閉じている。
  論文  参考訳（メタデータ） (2026-04-16T20:29:30Z)
• Multi-Sourced, Multi-Agent Evidence Retrieval for Fact-Checking [47.47518672198846]
  インターネット上に拡散する誤報は、社会と個人の両方に重大な脅威をもたらす。 これまでの方法は、トレーニングデータから学んだ意味的パターンと社会的コンテキスト的パターンに依存していた。 我々は、証拠のコアリソースとして認証されたオープンナレッジグラフを利用するWKGFCを提案する。
  論文  参考訳（メタデータ） (2026-02-27T19:29:01Z)
• Think Locally, Explain Globally: Graph-Guided LLM Investigations via Local Reasoning and Belief Propagation [5.191980417814362]
  LLMエージェントは、ほとんどの環境が静的で、必要な情報がモデルのコンテキストウインドウに適合する場合、排他的になる。 直腸型薬剤は、この体制では特に脆い。 本稿では,LLMが限定的な局所的エビデンスマイニングとラベリングを行うためのフレームワークであるEoGを提案する。
  論文  参考訳（メタデータ） (2026-01-25T17:27:19Z)
• Gaming the Judge: Unfaithful Chain-of-Thought Can Undermine Agent Evaluation [76.5533899503582]
  大規模言語モデル(LLM)は、エージェントのパフォーマンスを評価するために、ますます裁判官として使われている。 このパラダイムは、エージェントのチェーン・オブ・シークレット(CoT)推論が内部の推論と環境状態の両方を忠実に反映していることを暗黙的に仮定している。 我々は、操作された推論だけで、様々なWebタスクにまたがる800の軌跡に対して、最先端のVLM審査員の偽陽性率を最大90%向上させることができることを実証した。
  論文  参考訳（メタデータ） (2026-01-21T06:07:43Z)
• LegalSim: Multi-Agent Simulation of Legal Systems for Discovering Procedural Exploits [0.0]
  我々は、AIシステムが符号化ルールにおける手続き的弱点をどのように活用できるかを探求する、敵対的法的手続のモジュラーマルチエージェントシミュレーションであるLegalSimを提案する。 PPO, 文脈的バンディット, LLM, 直接 LLM ポリシ, 手作りの4つのポリシーを比較し, バイナリケースの結果を最適化する代わりに, エージェントを効果的な勝利率を用いて訓練・評価し, 対向コストインフレーション, カレンダー圧力, 低利得の決済圧力, ルール準拠のマージンを組み合わせた複合エクスプロイトスコアを作成した。
  論文  参考訳（メタデータ） (2025-10-03T18:01:57Z)
• The simulation of judgment in LLMs [32.57692724251287]
  大規模言語モデル(LLM)は、情報フィルタリングから説明と信頼性の判断を通じて知識ギャップの評価と対処に至るまで、評価プロセスに組み込まれている。 これにより、このような評価がどのように構築されるのか、どのような仮定に依存しているのか、その戦略が人間のものとどのように異なるのかを調べる必要が生じる。 我々は、専門家の評価に対して、6つのLCM(NewsGuardとMedia Bias/Fact Check)と、制御された実験を通して収集された人間の判断に対してベンチマークを行った。
  論文  参考訳（メタデータ） (2025-02-06T18:52:10Z)
• Sequential Manipulation Against Rank Aggregation: Theory and Algorithm [119.57122943187086]
  脆弱なデータ収集プロセスに対するオンライン攻撃を活用します。 ゲーム理論の観点からは、対決シナリオは分布的に堅牢なゲームとして定式化される。 提案手法は,ランクアグリゲーション手法の結果を逐次的に操作する。
  論文  参考訳（メタデータ） (2024-07-02T03:31:21Z)
• Conformal Policy Learning for Sensorimotor Control Under Distribution Shifts [61.929388479847525]
  本稿では,センサコントローラの観測値の分布変化を検知・応答する問題に焦点をあてる。 鍵となる考え方は、整合量子を入力として取ることができるスイッチングポリシーの設計である。 本稿では, 基本方針を異なる特性で切り替えるために, 共形量子関数を用いてこのようなポリシーを設計する方法を示す。
  論文  参考訳（メタデータ） (2023-11-02T17:59:30Z)
• A New Bandit Setting Balancing Information from State Evolution and Corrupted Context [52.67844649650687]
  本稿では,2つの確立されたオンライン学習問題と包括的フィードバックを組み合わせた,逐次的意思決定方式を提案する。 任意の瞬間にプレーする最適なアクションは、エージェントによって直接観察できない基礎となる変化状態に付随する。 本稿では,レフェリーを用いて,コンテキストブレイジットとマルチアームブレイジットのポリシーを動的に組み合わせるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-16T14:35:37Z)

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。