論文の概要: Amadeus: When Models of People Meet

• arxiv url: http://arxiv.org/abs/2609.35835v1
• Date: Thu, 24 Sep 2026 01:38:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.85674
• Title: Amadeus: When Models of People Meet
• Title（参考訳）: Amadeus: 人々のモデルが出会ったとき
• Abstract要約: 我々は8人のエリートチェスプレーヤーを使用し、直接ペアワイズゲームを封印し、異なる方法で個別に各プレイヤーを学習し、保持されていないダイアドのモデルを構成する。 生成した相互作用を評価するために、オープニング・ファミリーの全変動距離とウィン・ドリュー・ロス(WDL)の全変動距離の2つの測定値を用いる。 M1 は WDL-TV をほとんど変わらないままに抑えるが、M2 は WDL-TV にはほとんど影響を与えない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the sheer constant advancements raining down in the field of Artificial Intelligence, one particular possibility that may cross our mind is whether it is possible to model agents after humans and, in turn, use these agents to carry out synthetic interactions that predict their real counterparts, or even interactions at a larger scale such as groups or societies. In this paper, we test a more controlled version of this question through chess. We use 8 elite chess players, seal their direct pairwise games, learn each player independently using different methods, and then compose the resulting models on the withheld dyads. To evaluate the generated interactions, we use two measurements: opening-family total variation distance and win-draw-loss (WDL) total variation distance. M1 reduces WDL-TV while leaving opening-family TV largely unchanged, whereas M2 substantially reduces opening-family TV while having little effect on WDL-TV. An additional post-hoc method combining components of the other two retains improvements across both measurements. These results suggest that independently learned models can recover aspects of previously unseen interactions, and that recovery across different behavioural aspects need not be mutually exclusive.
• Abstract（参考訳）: 人工知能の分野で雨が絶え間なく降り注ぐ中で、私たちの心を横切る可能性の1つは、エージェントを人間の後にモデル化できるかどうかであり、その結果、これらのエージェントを使用して実際のエージェントを予測したり、グループや社会のような大きなスケールで相互作用する合成相互作用を実行することである。 本稿では,チェスによってより制御されたバージョンをテストする。 我々は8人のエリートチェスプレーヤーを使用し、直接ペアワイズゲームを封印し、異なる方法で個別に各プレイヤーを学習し、保持されていないダイアドのモデルを構成する。 生成した相互作用を評価するために、オープニング・ファミリーの全変動距離とウィン・ドリュー・ロス(WDL)の全変動距離の2つの測定値を用いる。 M1 は WDL-TV をほとんど変わらないままに抑えるが、M2 は WDL-TV にはほとんど影響を与えない。 他の2つのコンポーネントを組み合わせた追加のポストホック法では、どちらの測定も改善されている。 これらの結果は、独立に学習されたモデルが、これまで見つからなかった相互作用の側面を回復でき、異なる行動的側面にわたる回復は、相互に排他的である必要はないことを示唆している。

関連論文リスト

• AffectVerse: Emotional World Models for Multimodal Affective Computing [56.144242722718985]
  AffectVerseは、短時間の潜伏感情予測のためのアクションフリー表現レベルモジュールである。 EWMには3つのモジュールが含まれている。 1) クロスモーダルなテンポラル・イマジネーションは、複数ステップのロールアウトで過去のトークンから将来のビデオ/オーディオ表現を予測する。 EWMは想像されたトークンをモダリティ対応の信仰トークンに圧縮する。 これらの結果は、予測的信念状態モデリングが感情コンピューティングの実用的な代替手段であることを示唆している。
  論文  参考訳（メタデータ） (2026-05-19T15:05:00Z)
• Reason to Play: Behavioral and Brain Alignment Between Frontier LRMs and Human Game Learners [35.67021004974861]
  人間は、新しい環境に遭遇する際に抽象的な知識を急速に学習する。 現代のAIシステムは、同様の方法で学び、計画できるのか? 本稿では,fMRI同時記録による複雑な人間のゲームプレイのデータセットを用いて,この問題を考察する。
  論文  参考訳（メタデータ） (2026-05-08T17:07:41Z)
• EvoLMM: Self-Evolving Large Multimodal Models with Continuous Rewards [52.42920996842378]
  本稿では,1つのバックボーンモデルから2つの協調エージェントをインスタンス化する自己進化型フレームワークEvoLMMを提案する。 この動的なフィードバックは、情報的クエリの生成と構造化推論の洗練の両方を促進する。 私たちのコードとモデルはhttps://github.com/mbzuai-oryx/EvoLMMで公開されています。
  論文  参考訳（メタデータ） (2025-11-20T18:59:54Z)
• The AI in the Mirror: LLM Self-Recognition in an Iterated Public Goods Game [0.8594140167290097]
  2つの条件で4つの推論モデルと非推論モデルの挙動を解析する。 異なる設定で、自分たちが自分たちと対戦しているとLLMに話すことで、協力する傾向が著しく変化していることに気付きました。 本研究は玩具環境で実施されているが, エージェントが互いに「無意識に」差別しあうことで, 協力関係の促進や低下が期待できるマルチエージェント環境について考察した。
  論文  参考訳（メタデータ） (2025-08-25T20:35:03Z)
• Reconstructing Close Human Interaction with Appearance and Proxemics Reasoning [50.76723760768117]
  既存の人間のポーズ推定手法では、既存の映像からもっともらしい密接な相互作用を回復できない。 人間の外見は、これらの障害に対処するための簡単な手がかりとなる。 本研究では,人間の外見,社会的プロキシ,物理法則に制約された身体接触により,正確な対話動作を再構築するための2分岐最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-03T12:19:26Z)
• Closely Interactive Human Reconstruction with Proxemics and Physics-Guided Adaption [64.07607726562841]
  既存の人間再建アプローチは主に、正確なポーズの回復や侵入を避けることに焦点を当てている。 本研究では,モノクロ映像から密に対話的な人間を再構築する作業に取り組む。 本稿では,視覚情報の欠如を補うために,確率的行動や物理からの知識を活用することを提案する。
  論文  参考訳（メタデータ） (2024-04-17T11:55:45Z)
• Recursive Joint Simulation in Games [31.83449293345303]
  AIエージェント間のゲーム理論のダイナミクスは、従来の人間と人間の相互作用とは異なる可能性がある。 そのような違いの1つは、例えばソースコードが知られているため、AIエージェントを正確にシミュレートすることができることである。 得られた相互作用は、元のゲームの無限に繰り返されるバージョンと戦略的に等価であることを示す。
  論文  参考訳（メタデータ） (2024-02-12T23:53:46Z)
• Checkmating One, by Using Many: Combining Mixture of Experts with MCTS to Improve in Chess [17.101742121345648]
  ゲームフェーズに基づいて戦略を動的に適応するモジュール型フレームワークであるM2CTSを紹介する。 各フェーズでトレーニングされた特殊なニューラルネットワークを通じて決定をルーティングすることで、M2CTSは計算効率と演奏強度の両方を改善する。 チェスの実験では、M2CTSは標準の単一モデルベースラインよりも最大+122 Eloを達成する。
  論文  参考訳（メタデータ） (2024-01-30T09:55:14Z)
• Cooperative Online Learning in Stochastic and Adversarial MDPs [50.62439652257712]
  我々は、協調的オンライン学習と敵対的マルコフ決定過程(MDP)について研究する。 各エピソードでは、$m$エージェントが同時にMDPと対話し、個人の後悔を最小限に抑えるために情報を共有する。 協調強化学習(RL)を非フレッシュランダム性, あるいは敵対的MDPで検討したのは, 初めてである。
  論文  参考訳（メタデータ） (2022-01-31T12:32:11Z)
• Loss aversion fosters coordination among independent reinforcement learners [0.0]
  自立型自己学習エージェントにおける協調行動の出現を促進する要因について検討する。 我々は、独立した強化学習エージェントでゲームの2つのバージョンをモデル化する。 我々は,損失回避の導入が,その出現を加速させることで協調を促進することを実験的に証明した。
  論文  参考訳（メタデータ） (2019-12-29T11:22:30Z)
• Model-Based Reinforcement Learning for Atari [89.3039240303797]
  エージェントがモデルフリーの手法よりも少ないインタラクションでAtariゲームを解くことができることを示す。 本実験は,エージェントと環境間の100kの相互作用の少ないデータ構造における,AtariゲームにおけるSimPLeの評価である。
  論文  参考訳（メタデータ） (2019-03-01T15:40:19Z)

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。