論文の概要: Exploring Causal Mechanisms with Generative Agent-Based Models

• arxiv url: http://arxiv.org/abs/2609.35819v1
• Date: Mon, 21 Sep 2026 16:34:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.851303
• Title: Exploring Causal Mechanisms with Generative Agent-Based Models
• Title（参考訳）: 生成エージェントモデルによる因果メカニズムの探索
• Abstract要約: 生成エージェントモデルを用いて、個々のレベルの行動規則が集団現象をいかに生み出すかをテストする。 確立した社会科学モデルと実証研究に基礎を置く4つのシミュレーション世界において,本手法を検証して評価する。
• 参考スコア（独自算出の注目度）: 9.919272239283126
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we explore using generative agent-based models for a classical ABM application: testing how individual-level behavioral rules produce collective phenomena. We introduce RePair, a method that calibrates simulation worlds, operationalizes candidate mechanisms as natural-language rules, estimates their effects through matched interventions, and examines behavioral traces. We assess the method by testing it in four simulation worlds grounded in established social-science models and empirical studies. Our results reveal that (1) natural-language rules can produce measurable collective effects; (2) rule comparisons can converge as configurations accumulate; and (3) behavioral traces connect collective effects to agents' actions and interactions, helping researchers evaluate the proposed causal process. Together, these findings show the feasibility of using generative agent-based models to explore causal mechanisms and provide practical guidance for producing reliable, interpretable explanations.
• Abstract（参考訳）: 本稿では,従来のABMアプリケーションにおける生成エージェントベースモデルを用いて,個人レベルの行動規則が集団現象をいかに生み出すかを検証する。 シミュレーション世界を校正し、自然言語規則として候補メカニズムを運用し、一致した介入を通してその効果を推定し、行動トレースを調べる手法であるRePairを紹介する。 確立した社会科学モデルと実証研究に基礎を置く4つのシミュレーション世界において,本手法を検証して評価する。 結果から,(1)自然言語規則は測定可能な集団効果を生じ,(2)規則比較は構成の蓄積に伴って収束し,(3)行動痕跡はエージェントの行動と相互作用に結びつき,研究者が提案した因果過程を評価するのに役立つことが明らかとなった。 これらの結果から, 生成エージェントモデルを用いて因果関係を探索し, 信頼性, 解釈可能な説明を得るための実践的指導を行うことの可能性が示唆された。

関連論文リスト

• Dynamics of Cognitive Heterogeneity: Investigating Behavioral Biases in Multi-Stage Supply Chains with LLM-Based Simulation [8.478223327809527]
  本研究は,認知的不均一性がエージェント相互作用に与える影響を特に分析する。 我々は、DeepSeekおよびGPTエージェントを使用して、サプライチェーン層間での推論の洗練を体系的に変化させる。 その結果, エージェントは, 全身的不効率を悪化させる筋活動, 自己関心行動を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2026-04-19T03:03:25Z)
• Counterfactual Forecasting of Human Behavior using Generative AI and Causal Graphs [6.101366026333068]
  本研究では,非現実的ユーザ行動予測のための新しい枠組みを提案する。 この方法は、ユーザインタラクション、採用メトリクス、製品機能間の関係をマッピングする因果グラフを作成する。 Webインタラクション、モバイルアプリケーション、eコマースのデータセットでテストされたこの手法は、従来の予測とアップリフトモデリングよりも優れています。
  論文  参考訳（メタデータ） (2025-11-09T19:41:43Z)
• On the Reasoning Capacity of AI Models and How to Quantify It [0.0]
  大規模言語モデル(LLM)は、その推論能力の基本的な性質に関する議論を激化させている。 GPQAやMMLUのようなベンチマークで高い性能を達成する一方で、これらのモデルはより複雑な推論タスクにおいて制限を示す。 本稿では,モデル行動のメカニズムを解明するために,従来の精度指標を超える新しい現象論的手法を提案する。
  論文  参考訳（メタデータ） (2025-01-23T16:58:18Z)
• Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
  多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。 本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
  論文  参考訳（メタデータ） (2024-11-21T10:37:57Z)
• Language Models as Causal Effect Generators [48.696932388555894]
  シーケンス駆動型構造因果モデル(SD-SCM)を提案する。 SD-SCMは、所望の因果構造に応じて観察的、介入的、および反ファクト的分布からのサンプリングを可能にする。 本稿では, 因果推論のための新しいタイプのベンチマークを提案し, 個別レベルの反事実データを生成し, 治療効果の評価を行う。
  論文  参考訳（メタデータ） (2024-11-12T18:50:35Z)
• Learning An Active Inference Model of Driver Perception and Control: Application to Vehicle Car-Following [9.837204436270811]
  本稿では,感覚運動制御タスクにおいて,人間の知覚と制御のモデルを学ぶための一般的な推定手法を提案する。 我々は,人間の知覚と認知科学からの行動の理論である,能動的推論と整合したモデル構造仕様を考察する。
  論文  参考訳（メタデータ） (2023-03-27T13:39:26Z)
• CausalBench: A Large-scale Benchmark for Network Inference from Single-cell Perturbation Data [61.088705993848606]
  本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。 CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
  論文  参考訳（メタデータ） (2022-10-31T13:04:07Z)
• Empirical Estimates on Hand Manipulation are Recoverable: A Step Towards Individualized and Explainable Robotic Support in Everyday Activities [80.37857025201036]
  ロボットシステムの鍵となる課題は、他のエージェントの振る舞いを理解することである。 正しい推論の処理は、(衝突)因子が実験的に制御されない場合、特に困難である。 人に関する観察研究を行うために必要なツールをロボットに装備することを提案する。
  論文  参考訳（メタデータ） (2022-01-27T22:15:56Z)
• Building Object-based Causal Programs for Human-like Generalization [0.0]
  対象者の因果力の一般化方法を測定する新しいタスクを提案する。 本稿では,人間のような一般化パターンを合成できる計算モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T15:21:17Z)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)

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。