論文の概要: Persistent Partners Raise Prices Among Learning Agents

• arxiv url: http://arxiv.org/abs/2609.35402v1
• Date: Mon, 28 Sep 2026 15:24:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 05:49:14.226003
• Title: Persistent Partners Raise Prices Among Learning Agents
• Title（参考訳）: Persistent Partnersが学習エージェントの価格を引き上げ
• Abstract要約: 同じパートナーを維持することで、競争力と独占利益の差の0.27倍、平均的なトレーニングよりも利益のレベルを上げることができる。 ライバルの価格が隠されている場合、価格設定モジュールはカットを見ることができないため、それを罰することはできない。 ライバルが視認されている場合、静的なベストレスポンサーは、強制退避プローブが罰として読むもののうち3分の1から半分を占める。
• 参考スコア（独自算出の注目度）: 4.499330798936571
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When pricing agents meet repeatedly on a platform, the platform decides who faces whom. We ask whether that choice moves the prices the agents learn, and whether a rise comes with learned punishment. In a pre-registered randomised experiment in the Bertrand duopoly of Calvano et al., each agent's price is set by a tabular Q-learning module, not by the small language model attached to it, and we randomise whether each agent keeps its partner, sees its rival's prices and can send messages. Keeping the same partner raises the level of profits, averaged over training, by 0.27 of the gap between competitive and monopoly profit (95% CI 0.20 to 0.35, all twenty paired runs positive), our registered primary result, and the resting price by 0.17 of the Nash-to-monopoly range (post hoc). A plain tabular learner reproduces the effect in all 25 further blocks, and there one permanent partner raises the level more than about three do (+0.23 against +0.05, exploratory). Where rival prices are hidden, the price-setting module cannot see a cut, so cannot punish it, yet the resting price rises as much and the rise lasts to the end of training, while with visible rivals it shrinks with longer training (post hoc). Where the rival is visible, a static best responder accounts for a third to a half of what a forced-deviation probe reads as punishment, on the starts where the rival can see the cut, and net of it the registered test of learned punishment is inconclusive. A test that looks only for punishment would thus miss the rise where the rival is hidden, while a check for profitable deviations flags most of those prices (post hoc). In an exploratory extension, untrained Qwen2.5 7B and 14B models under one prompt show the effect when the rival's price is left out of the prompt and inconsistently when it is shown, the 7B result replicating on fresh blocks, while two other model families show none.
• Abstract（参考訳）: 価格設定担当者がプラットフォーム上で何度も会うと、プラットフォームは誰が誰と向き合うかを決定する。 我々は、その選択がエージェントが学習する価格を移動させるのか、そして、学習した罰によって上昇するかどうかを問う。 CalvanoらによるBertrand Duopolyでの事前登録ランダム化実験では、各エージェントの価格は、それに取り付けられた小さな言語モデルではなく、テーブル状のQ-ラーニングモジュールによって設定され、各エージェントがパートナーを保持し、ライバルの価格を見て、メッセージを送信することができるかどうかをランダム化する。 競争利益と独占利益のギャップ(95% CI 0.20～0.35、すべて20対が前向き)、登録された一次結果、およびナッシュ・ツー・モノポリーレンジ(ポストホック)の残り価格の0.17である。 通常の表型学習者は、さらに25ブロックすべてで効果を再現し、ある永続的なパートナーは、約3 do(+0.23 against +0.05, Exploratory)以上のレベルを上昇させる。 ライバルの価格が隠されている場合、価格設定モジュールは減額を見ることができないため、罰することができないが、安値の上昇はトレーニングの終了まで続き、可視のライバルの場合、より長いトレーニング(ポストホック)で縮小する。 ライバルが視認されている場合、静的ベストレスポンサは、強制退避プローブが処分とみなす結果の3分の1から半分を占め、ライバルがカットを見ることができる開始時に、学習した罰の登録試験が不確定となる。 罰のみを求めるテストは、ライバルが隠れているところの上昇を見逃し、利益の出る逸脱のチェックは、ほとんどの価格(ポストホック)をフラグ付けする。 探索拡張では、訓練されていないQwen2.5 7Bおよび14Bモデルを1つのプロンプトで示し、競合の価格がプロンプトから外され、表示された場合、7B結果が新鮮なブロックに複製され、他の2つのモデルファミリが示さない効果を示す。

関連論文リスト

• Where LLM Graders Succeed and Break: Evidence from Two Computer-Science Exams [11.24196216089969]
  大きなコースでの長期試験は何百時間もかかり、資格のある学士は少ない。 落とし穴を示すために、私たちは、クローズドモデルとオープンウェイトモデルにまたがる171ドルの構成で、実用的なコンピュータビジョン試験を格付けしました。 2つの試験で3900ドル(約3万2000円)の特典をプールしたアダプタは、5つの小さなオープンモデルに、人間のグレードラーと同等以上のものを与えてくれます。
  論文  参考訳（メタデータ） (2026-09-24T10:07:57Z)
• Collusion with Competitive Marginals: Price-Level Audits Are Blind by Construction [6.3803164500885705]
  共謀に関する実証研究は、データの1つに疑問を投げかけている。 いずれにせよ、これは利益がある陰謀によって「ノー」と答えられることを示す。 未説明入札成分の連立分布にのみ結合する入札エージェントを考える。 単一のエージェントの価格や入札履歴は、コモノトニティまで全ての結合強度に対して、その偽陽性率に完全に等しい力を持つ。
  論文  参考訳（メタデータ） (2026-07-29T01:39:13Z)
• Training Language Models for Bilateral Trade with Private Information [47.25254982913256]
  貿易の利益を達成するためには、個人、戦略的余剰の合理性、協力が必要である。 本研究では,大規模言語モデルがイベント駆動シミュレータ内のツールコールを介して交渉する構造化交渉環境を開発する。 この環境は、フロンティアモデルのベンチマークと、強化学習によるオープンウェイトモデルのトレーニング環境という2つの目的を果たす。
  論文  参考訳（メタデータ） (2026-04-10T03:04:20Z)
• Territory Paint Wars: Diagnosing and Mitigating Failure Modes in Competitive Multi-Agent PPO [0.0]
  テリトリー・ペイント戦争は、ユニティで実施された最小の競争力のある多エージェント強化学習環境である。 我々はこれを,自己再生下での親密な政策最適化の失敗モードを体系的に調査するために利用する。
  論文  参考訳（メタデータ） (2026-04-04T23:48:17Z)
• The Price Reversal Phenomenon: When Cheaper Reasoning Models End Up Costing More [76.93600828673503]
  リストAPIの価格設定は、実際のコストに対する信頼性の低いプロキシである。 思考トークンのコストの削減は、ランキングの反転を70%削減します。 この結果から,コスト意識モデル選択と透過的な要求毎のコスト監視の必要性が示唆された。
  論文  参考訳（メタデータ） (2026-03-25T06:07:39Z)
• Revisiting the Bertrand Paradox via Equilibrium Analysis of No-regret Learners [16.475146305668442]
  本研究では,非増加需要関数を用いた離散的Bertrand価格ゲームについて検討する。 我々は,非学習者を用いて企業が価格を設定できる繰り返しゲームモデルを分析する。
  論文  参考訳（メタデータ） (2026-02-25T06:32:23Z)
• Learning to Charge More: A Theoretical Study of Collusion by Q-Learning Agents [9.053163124987535]
  無限反復ゲームにおいて、この振る舞いに関する最初の理論的説明を提供する。 ゲームが1段階のナッシュ均衡価格と共謀誘発価格の両方を許容すると、企業は相反する価格を一貫して請求することを学ぶ。
  論文  参考訳（メタデータ） (2025-05-28T22:18:35Z)
• Reinforcement Learning with Segment Feedback [56.54271464134885]
  状態ごとの反応フィードバックと軌道フィードバックのギャップを埋める一般的なパラダイムを提供するRLというモデルを考える。 バイナリフィードバックの下では、$m$のセグメント数の増加は指数率で後悔を減少させるが、驚くべきことに、和フィードバックの下では、$m$の増加は後悔を著しく減少させるものではない。
  論文  参考訳（メタデータ） (2025-02-03T23:08:42Z)
• Competing Bandits: The Perils of Exploration Under Competition [99.68537519404727]
  オンラインプラットフォーム上での探索と競争の相互作用について検討する。 私たちは、スタークコンペティションが企業に対して、低福祉につながる「欲張り」バンディットアルゴリズムにコミットするよう促すことに気付きました。 競争を弱めるための2つのチャンネルについて検討する。
  論文  参考訳（メタデータ） (2020-07-20T14:19:08Z)

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。