論文の概要: Engineering Simplicity: Simple Mechanism Interfaces Steer LLM Agents

• arxiv url: http://arxiv.org/abs/2609.36365v1
• Date: Mon, 28 Sep 2026 22:55:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.04839
• Title: Engineering Simplicity: Simple Mechanism Interfaces Steer LLM Agents
• Title（参考訳）: エンジニアリングのシンプルさ: 単純なメカニズムインタフェース ステアLSMエージェント
• Abstract要約: 対話形式が大規模言語モデル(LLM)エージェントのより良い意思決定に役立ち、より良い意思決定がより良い説明をもたらすかどうかを検討する。 完全な入札やランク付けを行うインターフェースと、安全な選択を容易に識別できるシーケンシャルなインターフェースを比較します。 本研究は,人為的なシンプルさの理論が,人為的エージェントの意思決定環境の設計に役立てられることを示唆している。
• 参考スコア（独自算出の注目度）: 2.3637285587927583
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Can interaction formats and textual scaffolds help large language model (LLM) agents make better decisions, and do better decisions come with better explanations? We study these questions in auctions and matching, multi-agent environments with explicit rules and known optimal strategies. These settings let us vary how a decision problem is presented while retaining a benchmark for evaluating behavior. Drawing on human-motivated theories of simplicity, we compare interfaces that elicit a complete bid or ranking with sequential interfaces that make safe choices easier to identify. We then hold the interaction format fixed and vary reasoning scaffolds and rule descriptions. Across four model families, the ascending auction interface substantially reduces bid deviations. The matching comparison also shows why sequential responses require different error accounting from complete rankings. Laying out payoff contingencies and explaining why truth-telling is safe also improve choices, whereas prompts to plan through matching rounds or form beliefs about opponents worsen play overall. In auctions, these behavioral gains are not accompanied by corresponding improvements in measured verbal indicators of strategic understanding in the agents' short stated plans. Other prompts change those indicators without improving bids. Our findings suggest that human-motivated theories of simplicity can inform the design of decision environments for artificial agents. They also show why scaffolds should be evaluated through realized choices as well as explanations: improvements in one need not appear in the other.
• Abstract（参考訳）: 対話形式とテキストの足場は、大きな言語モデル(LLM)エージェントがより良い決定を下すのに役立つだろうか? 我々はこれらの質問を、明示的なルールと既知の最適戦略を備えた、オークションやマッチング、マルチエージェント環境において研究する。 これらの設定によって、振る舞いを評価するためのベンチマークを維持しながら、意思決定の問題がどのように提示されるかが変わります。 人間の動機によるシンプルさの理論に基づいて、完全な入札やランク付けを行うインターフェースと、安全な選択を識別しやすくするシーケンシャルなインターフェースを比較します。 次に、インタラクションフォーマットを固定し、推論の足場とルール記述を変化させます。 4つのモデルファミリにまたがって、上昇するオークションインターフェースは入札偏差を大幅に減少させる。 マッチング比較はまた、シーケンシャルレスポンスが完全なランキングと異なるエラーアカウントを必要とする理由も示している。 ペイオフの事態をレイアウトし、なぜ真実の占いが安全なのかを説明することで選択も改善され、一方、ラウンドの整合によって計画を立てたり、対戦相手に対する信念を形成すれば、全体的なプレーは悪化する。 オークションでは、これらの行動的利得は、エージェントの簡潔な計画における戦略的理解の測定された言語的指標の改善に伴わない。 他のプロンプトは入札を改善することなく指標を変更する。 本研究は,人為的なシンプルさの理論が,人為的エージェントの意思決定環境の設計に寄与することが示唆された。 また、なぜ足場が実現された選択と説明によって評価されるべきなのかも示している。

関連論文リスト

• Towards Explainable Adjudicative Variance: Quantifying Judicial Discretion via Gated Multi-Task Learning [9.159064044398315]
  法的結果予測は、客観的事件事実を判断的文脈から切り離さなければならない。 本稿では,この区別を明示的にモデル化した判断学習型マルチタスク学習アーキテクチャを提案する。 13,937イギリス雇用裁判所の決定に対する我々のアプローチを評価した。
  論文  参考訳（メタデータ） (2026-06-25T14:14:27Z)
• Learn to Rank: Visual Attribution by Learning Importance Ranking [58.69028273772474]
  コンピュータビジョンモデルのための視覚属性マップを生成する新しい手法を提案する。 提案手法は, 任意の数段階の勾配補正を施した1つの前方通過において, 密度の高い画素レベルの属性を生成する。 我々の実験は、一貫した定量的改善と、よりシャープで境界に沿った説明を示す。
  論文  参考訳（メタデータ） (2026-04-07T12:53:22Z)
• Explainable Image Recognition via Enhanced Slot-attention Based Classifier [28.259040737540797]
  本稿では,修正スロットアテンション機構に基づく視覚的に説明可能な分類器であるESCOUTERを紹介する。 ESCOUTERは、高い分類精度を提供するだけでなく、意思決定の背後にある理由についてより透明な洞察を提供することによって、自分自身を区別している。 ESCOUTER専用の新しい損失関数は、モデルの振舞いを微調整し、肯定的な説明と否定的な説明の切り替えを可能にするように設計されている。
  論文  参考訳（メタデータ） (2024-07-08T05:05:43Z)
• LACMA: Language-Aligning Contrastive Learning with Meta-Actions for Embodied Instruction Following [142.25438780561603]
  本稿では,メタアクションの概念を導入し,言語命令とエージェントのアクション空間間の意味的ギャップを埋める。 強力なマルチモーダルトランスフォーマーベースラインと比較して、目に見えない環境での絶対的な成功率は4.5%に達する。
  論文  参考訳（メタデータ） (2023-10-18T21:43:07Z)
• Causal Explanations for Sequential Decision-Making in Multi-Agent Systems [31.674391914683888]
  CEMAは、シーケンシャルなマルチエージェントシステムにおけるエージェントの決定を因果自然言語で説明するためのフレームワークである。 CEMAは,他のエージェントが多数存在する場合でも,エージェントの決定の背後にある原因を正しく識別する。 我々は,CEMAの説明が参加者の自動運転車への信頼に肯定的な影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2023-02-21T16:34:07Z)
• Explanation Selection Using Unlabeled Data for Chain-of-Thought Prompting [80.9896041501715]
  非専門家によって書かれたオフ・ザ・シェルフの説明のように、タスクのために"チューニング"されていない説明は、中途半端なパフォーマンスをもたらす可能性がある。 本稿では,ブラックボックス方式で説明拡散プロンプトを最適化する方法の課題に対処する。
  論文  参考訳（メタデータ） (2023-02-09T18:02:34Z)
• Explaining $\mathcal{ELH}$ Concept Descriptions through Counterfactual Reasoning [3.5323691899538128]
  分類を本質的に透過的に行う方法は、記述論理の概念を使用することである。 一つの解決策は、「異なる分類を得るために特徴値をどう変えなければならないか」という疑問に答えるために反事実を用いることである。
  論文  参考訳（メタデータ） (2023-01-12T16:06:06Z)
• Contrastive Explanations for Model Interpretability [77.92370750072831]
  分類モデルの対照的説明を生成する手法を提案する。 本手法は潜在空間へのモデル表現の投影に基づいている。 本研究は,モデル決定のより正確できめ細かな解釈性を提供するためのラベルコントラスト的説明の能力に光を当てた。
  論文  参考訳（メタデータ） (2021-03-02T00:36:45Z)

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。