論文の概要: LLMs for Social Network Modeling: From Network Generation to Dynamic Processes

• arxiv url: http://arxiv.org/abs/2609.08049v1
• Date: Mon, 07 Sep 2026 23:24:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.533236
• Title: LLMs for Social Network Modeling: From Network Generation to Dynamic Processes
• Title（参考訳）: ソーシャルネットワークモデリングのためのLLM:ネットワーク生成から動的プロセスへ
• Authors: Shikha Mallick, Alex Thomo, Akrati Saxena,
• Abstract要約: 大規模言語モデル(LLM)は,ユーザとその関係を自然言語で表現することで,ソーシャルネットワークをモデル化するための新たなパラダイムとして浮上している。 LLMは、リッチテキストの社会的相互作用と意思決定を可能にするが、固有の社会的バイアスや迅速な感受性など、多くの制限がある。
• 参考スコア（独自算出の注目度）: 3.3836709236378746
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large language models (LLMs) are rapidly emerging as a new paradigm for modeling social networks by representing users and their relationships and interactions through natural language. Unlike classical network models or deep learning approaches, LLMs can simulate context-aware social behavior and language-driven interactions, enabling more realistic modeling of network formation and dynamic social processes. However, existing studies are scattered across different research communities and lack a unified perspective. This survey presents the first comprehensive review of LLMs for social network modeling by organizing the literature into two broad categories: network generative models and dynamic process models. Network generative models are further classified into selection-based and interaction-based approaches, while dynamic process models are categorized into opinion dynamics, information diffusion, and rumor propagation, each with their underlying modeling mechanisms. LLMs enable rich textual social interactions and decision-making, but they also exhibit many limitations, including inherent social biases and prompt sensitivity. We outline these open research challenges and discuss future directions in LLM-based social network modeling.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、ユーザとその関係や相互作用を自然言語で表現することで、ソーシャルネットワークをモデリングするための新しいパラダイムとして急速に発展しつつある。 古典的なネットワークモデルやディープラーニングのアプローチとは異なり、LLMはコンテキスト対応の社会的行動や言語による相互作用をシミュレートし、ネットワーク形成や動的社会プロセスのより現実的なモデリングを可能にする。 しかし、既存の研究は異なる研究コミュニティに分散しており、統一的な視点は欠如している。 本調査では、文献をネットワーク生成モデルと動的プロセスモデルという2つの幅広いカテゴリに分類することで、ソーシャル・ネットワーク・モデリングのためのLLMの総合的なレビューを行う。 ネットワーク生成モデルは、選択に基づくアプローチと相互作用に基づくアプローチにさらに分類され、動的プロセスモデルは、それぞれの基礎となるモデリングメカニズムによって、意見力学、情報拡散、および噂伝播に分類される。 LLMは、リッチテキストの社会的相互作用と意思決定を可能にするが、固有の社会的バイアスや迅速な感受性など、多くの制限がある。 我々はこれらのオープンな研究課題を概説し、LLMベースのソーシャルネットワークモデリングにおける今後の方向性について論じる。

関連論文リスト

• Learning to Make Friends: Coaching LLM Agents toward Emergent Social Ties [3.1146704506932985]
  大規模言語モデル(LLM)エージェントは、人間のオンライン行動を特徴づける複雑な社会的ダイナミクスを再現する。 エージェントが繰り返し対話し、相互に評価し、文脈内学習を通じてそれらの振る舞いを適応するマルチエージェントLLMシミュレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-22T07:00:33Z)
• DynamiX: Large-Scale Dynamic Social Network Simulator [101.65679342680542]
  DynamiXは、動的ソーシャルネットワークモデリングに特化した新しい大規模ソーシャルネットワークシミュレータである。 世論のリーダーに対しては、情報ストリームに基づくリンク予測手法を提案し、同様の姿勢で潜在的ユーザを推薦する。 一般ユーザに対しては,不等式指向の行動決定モジュールを構築する。
  論文  参考訳（メタデータ） (2025-07-26T12:13:30Z)
• Continual Learning for Generative AI: From LLMs to MLLMs and Beyond [56.29231194002407]
  本稿では,主流生成型AIモデルに対する連続学習手法の総合的な調査を行う。 これらのアプローチをアーキテクチャベース、正規化ベース、リプレイベースという3つのパラダイムに分類する。 我々は、トレーニング目標、ベンチマーク、コアバックボーンを含む、異なる生成モデルに対する連続的な学習設定を分析する。
  論文  参考訳（メタデータ） (2025-06-16T02:27:25Z)
• SocioVerse: A World Model for Social Simulation Powered by LLM Agents and A Pool of 10 Million Real-World Users [70.02370111025617]
  本稿では,社会シミュレーションのためのエージェント駆動世界モデルであるSocioVerseを紹介する。 私たちのフレームワークは、4つの強力なアライメントコンポーネントと1000万の実際の個人からなるユーザプールを備えています。 SocioVerseは、多様性、信頼性、代表性を確保しつつ、大規模な人口動態を反映できることを示した。
  論文  参考訳（メタデータ） (2025-04-14T12:12:52Z)
• Network Formation and Dynamics Among Multi-LLMs [5.513875403488053]
  ソーシャルネットワークは、人間が意見を作り、情報を交換し、まとめる方法に大きな影響を与える。 大規模言語モデル(LLM)は、社会的および専門的な環境にますます組み込まれているため、それらの相互作用が人間に似たネットワーク力学に近似するかどうかを理解することが重要である。 我々は,複数のLLMエージェントのネットワーク形成挙動を解析し,人的決定に対してそれらをベンチマークする枠組みを開発した。 LLMは、コミュニティ構造や小世界効果を含むマクロレベルの特性だけでなく、優先的なアタッチメント、三進的クロージャ、ホモフィリーといった基本的ミクロレベルの原則を一貫して再現している。
  論文  参考訳（メタデータ） (2024-02-16T13:10:14Z)
• Foundation Models for Decision Making: Problems, Methods, and Opportunities [124.79381732197649]
  大規模に多様なデータに基づいて事前訓練された基礎モデルは、幅広いビジョンと言語タスクにおいて異常な能力を示してきた。 ファンデーションモデルをトレーニングし、他のエージェントと対話し、長期的な推論を行うための新しいパラダイムが生まれている。 基礎モデルと意思決定の交わりにおける研究は、強力な新しいシステムを作るための大きな約束である。
  論文  参考訳（メタデータ） (2023-03-07T18:44:07Z)

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。