論文の概要: Warned alike, AI agents avoid the less-crowded road while people take it

• arxiv url: http://arxiv.org/abs/2609.30883v1
• Date: Fri, 25 Sep 2026 06:44:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.260179
• Title: Warned alike, AI agents avoid the less-crowded road while people take it
• Title（参考訳）: 注意:AIエージェントは人口の少ない道路を避け、人々はそれを取る
• Abstract要約: いくつかの共有モデル上に構築されたAIエージェントは、多くの人々にとってますます役立っている。 他の人に関する共通の予測は、選択を整合させ、キャパシティの割り当ての少なさを変えることができる。 われわれはこのフィードバックを2方向の渋滞ゲームでテストした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI agents built on a few shared models increasingly act for many people. A shared forecast about others can align their choices and change how scarce capacity is allocated. We tested this feedback in a two-road congestion game. Adding one sentence warning that others might follow a routing tip made populations of 50 GPT agents crowd one road while avoiding the nearly empty alternative. Average travel time rose from 64 to 95 min, although any crowded-road agent could have saved 69 min by switching alone. The warning discouraged the very move it predicted. The pattern persisted for 100 rounds. Two other model families shifted the same way without locking onto one road. Twelve all-human groups (240 participants) stayed near balance under numerical reports or the tip and warning. In 24 mixed groups with a further 240 participants, imbalance grew with the share of agents in the registered analysis, while people increasingly took the road the agents avoided. Collective costs stayed below the allagent reference, but with 15 agents and 5 humans, agent seats averaged 80 min, compared with 44 min for human seats. Shared forecasts can thus sustain collective inefficiency among similar agents. A better group average can also hide an unequal burden. Evaluations of AI agents that share resources should test populations, treat messages as interventions and report who bears the costs.
• Abstract（参考訳）: いくつかの共有モデル上に構築されたAIエージェントは、多くの人々にとってますます役立っている。 他の人に関する共通の予測は、選択を整合させ、キャパシティの割り当ての少なさを変えることができる。 われわれはこのフィードバックを2方向の渋滞ゲームでテストした。 50人のGPTエージェントの集団は、ほぼ空っぽの代替手段を避けながら、一つの道路に群がった。 平均走行時間は64分から95分に増加したが、混雑した道路のエージェントは単独で69分節約できた。 その警告は予想したような動きを妨げた。 パターンは100ラウンドに留まった。 他の2つのモデルファミリーは、一方の道路に鍵をかけずに同じ方向に移動した。 12人の全人類(240人)が数値的な報告やヒントや警告の下でバランスを保っていた。 24名の混成グループと240名以上の参加者の混成グループでは、登録された分析におけるエージェントのシェアとともに不均衡が増加し、さらにエージェントが避けた道路を人々が横取りするようになった。 集団費用はアラージト基準を下回ったが、15人のエージェントと5人の人間では、エージェントシートは平均80分、ヒューマンシートは44分だった。 これにより、共有予測は類似エージェント間の集団的非効率性を維持することができる。 より良いグループ平均は、不平等な負担を隠すこともできる。 資源を共有するAIエージェントの評価は、集団をテストし、メッセージを介入として扱い、コストを負担する者を報告すべきである。

関連論文リスト

• Language-model groups overstate consensus when replaying human deliberation on a reasoning task [1.3537117504260623]
  完全な合意率はしばしば集団認知の指標として扱われるが、参加と最終状態がどのように運用されるかによって異なる。 一致した大言語モデル (LLM) エージェント群を用いて, 100個のホールドアウトヒトワトソン群を再生した。 シミュレートされたコンセンサスは、集団的正確さを追跡せず、信念に基づくエージェント群は、ヒト集団のアウトカム分布の偏りを推定した。
  論文  参考訳（メタデータ） (2026-09-17T15:11:08Z)
• Aligned Alone, Misaligned Together: Forecasting Adversarial Capture in LLM Agent Populations [4.215221129670858]
  AIの安全性評価単位は依然として個々のモデルであるが、言語モデルエージェントは、相互作用する集団にますますデプロイされている。 本研究では,言語モデルモニタの集団が警告をエスカレートするか削除するかを判断するセキュリティトリアージタスクについて検討する。 ひとりのエージェントが判断する2つの警告が、ほぼ同一で、集団的な振る舞いをはるかに遠ざけていることがわかりました。
  論文  参考訳（メタデータ） (2026-08-23T14:49:59Z)
• Group-Agent Reinforcement Learning with Heterogeneous Agents [13.119966504210554]
  グループエージェント強化学習(GARL)は、グループ内で複数の強化学習エージェントが一緒に学習する新たな学習シナリオである。 より一般的なヘテロジニアスな環境下では、新規かつ効果的なグループ学習機構を設計し、GARLを前進させる。 提案手法の優れた性能を示すため,43種類のAtari 2600のゲームに対して広範囲に実験を行った。
  論文  参考訳（メタデータ） (2025-01-21T01:56:33Z)
• 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)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)
• Bandit Social Learning: Exploration under Myopic Behavior [54.767961587919075]
  オンラインプラットフォーム上でのレビューによって動機付けられた社会学習のダイナミクスについて検討する。 エージェントはまとめて単純なマルチアームのバンディットプロトコルに従うが、各エージェントは探索を伴わずにミオプティカルに振る舞う。 このような振る舞いに対して,スターク学習の失敗を導出し,好意的な結果を提供する。
  論文  参考訳（メタデータ） (2023-02-15T01:57:57Z)

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。