論文の概要: Decentralized LLM Workflows via Sequential Auctions
- arxiv url: http://arxiv.org/abs/2610.22201v1
- Date: Thu, 15 Oct 2026 16:52:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 06:09:33.201734
- Title: Decentralized LLM Workflows via Sequential Auctions
- Title（参考訳）: シーケンシャルオークションによる分散LLMワークフロー
- Abstract要約: 自己関心エージェントの分散市場を通して多段階タスクを解くためのスケーラブルなフレームワークを提案する。
3つのオークションプロトコルで4つの入札アルゴリズムを定式化し評価する。
- 参考スコア（独自算出の注目度）: 75.30127254397256
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a scalable framework for solving multi-step tasks through a decentralized market of self-interested agents. Prior theoretical work demonstrated that agents organized through sequential auctions can converge to a globally optimal policy in a Markov decision process (MDP), but relied on the restrictive assumption of the existence of perfect clones as a model of perfect competition. In reality, exact clones drive agent profit to zero, violating the natural risk-reward incentives of participants. Conversely, we empirically demonstrate that the opposite extreme, absence of competition, also leads to market failure and value extraction collapse. Between these two extremes, we investigate how heterogeneous agents can survive in markets that span the critical middle ground of imperfect competition. To be profitable, agents learn to strategically shade bids to secure positive individual profit margins, while still ensuring that the marketplace functions effectively enough so that collaborative tasks posed by market consumers can still be solved. We formulate and evaluate four bidding algorithms (Mirror Descent, Thompson Sampling, Bayes-Optimal, and PPO) across three auction protocols (1st-Price, 2nd-Price, and Credit-Conserving Vickrey). Across a diverse set of domains, we demonstrate that imperfect competition successfully sustains necessary agent profit margins while maintaining high task success rates at low costs.
- Abstract（参考訳）: 自己関心エージェントの分散市場を通して多段階タスクを解くためのスケーラブルなフレームワークを提案する。
それまでの理論的研究は、シーケンシャルオークションによって組織されたエージェントがマルコフ決定過程(MDP)においてグローバルな最適ポリシーに収束できることを示したが、完全な競合のモデルとしての完全クローンの存在の制限的な仮定に依存していた。
実際、正確なクローンはエージェントの利益をゼロにし、参加者の自然なリスク・リワードインセンティブを侵害する。
逆に、反対の極端な競合の欠如が市場失敗と価値抽出の崩壊につながることを実証的に実証する。
この2つの極端の間には、不完全競争の中核にまたがる市場において、不均一なエージェントがいかに生き残るかが検討されている。
利益を得るために、エージェントは戦略的に入札を日陰にし、ポジティブな個人利益率を確保しながら、市場消費者による協調的なタスクを解決できるように市場が効果的に機能することを保証します。
我々は,3つのオークションプロトコル(第1価格,第2価格,クレジット保存ビックレー)で4つの入札アルゴリズム(Mirror Descent, Thompson Sampling, Bayes-Optimal, PPO)を定式化し,評価する。
多様な領域にわたって、不完全な競争が必要なエージェント利益率を維持するのに成功し、高いタスク成功率を低コストで維持することを示した。
関連論文リスト
- MARL-Based Sequential RIS Auctions: A Physical-Layer Security Analysis [17.729444052669624]
再構成可能なインテリジェントサーフェス(RIS)は、カバレッジ、スペクトル効率、通信セキュリティを高める大きな可能性を秘めている。
中立なRIS演算子によって所有される場合、これらの要素は正統な受信機と盗聴器が競合するリソースとして提供される。
本稿では、そのような競合を調査し、正統な受信機の物理層セキュリティ性能への影響を評価する。
論文 参考訳（メタデータ） (2026-08-23T02:02:51Z) - Business Arena: Benchmarking LLM Agents in a Realistic Marketplace [14.641921772947926]
Business Arenaは、AIエージェントが国境を越えた店を経営し、サプライヤーから購入し、長期にわたって購入者に販売する管理環境である。
15のフロンティアモデルを評価し,9倍の差が得られた。
最高のモデルでさえ、人間設計の戦略に遅れをとっており、LLMエージェントにとってビジネス運用は依然として困難であることを示している。
論文 参考訳（メタデータ） (2026-08-09T10:08:21Z) - Enhancing Decision-Making with Large Language Models through Multi-Agent Fictitious Play [53.56274149236814]
Multi-Agent Fictitious Play (MAFP)は、ステークホルダーのスタンスをエージェントとして表現する新しいMASパラダイムである。
MAFPは各エージェントの判断を、他のエージェントの過去の決定の実証的な混合に応じて反復的に更新する。
我々は、行動前に競合シナリオの戦略を決定する能力をテストする挑戦的な意思決定タスクにおいて、MAFPを評価する。
論文 参考訳（メタデータ） (2026-06-17T17:31:06Z) - Market-Bench: Benchmarking Large Language Models on Economic and Trade Competition [102.73682784993169]
本稿では,経済関連タスクにおける大規模言語モデル(LLM)の能力を評価するベンチマークであるtextbfMarket-Benchを紹介する。
我々は、LLMが商品の調達・販売を担当する小売業者として機能するマルチエージェントサプライチェーン経済モデルを構築した。
Market-Benchは入札、価格、スローガン、販売、バランスシートの完全な軌跡を記録し、経済、運用、セマンティックメトリクスによる自動評価を可能にしている。
論文 参考訳（メタデータ） (2026-04-07T07:23:51Z) - Multi-Agent Reinforcement Learning for Market Making: Competition without Collusion [6.598173855286935]
市場形成におけるアルゴリズム的共謀を研究するための階層型多エージェント強化学習フレームワークを提案する。
このフレームワークは、敵が形作る不確実な環境で訓練される自己関心の市場メーカー(AgentA)を含む。
適応型インセンティブ制御は、異種エージェント環境におけるより持続可能な戦略的共存を支援する。
論文 参考訳（メタデータ） (2025-10-29T20:07:47Z) - Nearly Tight Regret Bounds for Profit Maximization in Bilateral Trade [14.182863671689836]
バイラテラル取引は、売り手と買い手という2つの戦略エージェントの仲介を行うタスクをモデル化する。
我々は,この問題をブローカーの観点から,後悔の最小化フレームワークを用いて検討する。
本稿では,売り手と評価を引いた場合,約$tildeO(sqrtT)=後悔を保証できる学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-09-26T16:42:05Z) - Dynamic Reinsurance Treaty Bidding via Multi-Agent Reinforcement Learning [0.0]
本稿では,再保証条約入札のための新しいマルチエージェント強化学習(MARL)フレームワークを開発する。
MARLエージェントは、最大15%高い引受利益、20%低い尾リスク、25%以上のシャープ比の改善を達成する。
これらの結果は、MARLがより透明性があり、適応的で、リスクに敏感なリシュアランス市場への道を開くことを示唆している。
論文 参考訳（メタデータ） (2025-06-16T05:43:22Z) - From Debate to Equilibrium: Belief-Driven Multi-Agent LLM Reasoning via Bayesian Nash Equilibrium [52.28048367430481]
マルチエージェントフレームワークは、大規模言語モデル(LLM)の推論能力を高めることができるが、通常は計算コストと収束保証が欠如している。
我々は、不完全情報ゲームとしてマルチLLMコーディネーションをリキャストし、ベイズナッシュ均衡(BNE)を求める。
我々は、分散推論と集中的な最終出力を結合する階層的強化学習パラダイムである、Nash Equilibrium (ECON)による効率的なコーディネーションを導入する。
論文 参考訳（メタデータ） (2025-06-09T23:49:14Z) - Robust and Performance Incentivizing Algorithms for Multi-Armed Bandits with Strategic Agents [52.75161794035767]
性能インセンティブとロバストネスの2つの目的を同時に満たすバンディットアルゴリズムのクラスを導入する。
そこで本研究では,第2価格オークションのアイデアをアルゴリズムと組み合わせることで,プリンシパルが腕の性能特性に関する情報を持たないような設定が可能であることを示す。
論文 参考訳（メタデータ） (2023-12-13T06:54:49Z) - Multi-Stage Decentralized Matching Markets: Uncertain Preferences and
Strategic Behaviors [91.3755431537592]
本稿では、現実世界のマッチング市場で最適な戦略を学ぶためのフレームワークを開発する。
我々は,不確実性レベルが特徴の福祉対フェアネストレードオフが存在することを示す。
シングルステージマッチングと比較して、マルチステージマッチングで参加者がより良くなることを証明します。
論文 参考訳（メタデータ） (2021-02-13T19:25:52Z)
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。