論文の概要: Fig: Automated Multiagent Behavior Elicitor

• arxiv url: http://arxiv.org/abs/2610.28891v1
• Date: Tue, 20 Oct 2026 20:16:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.138601
• Title: Fig: Automated Multiagent Behavior Elicitor
• Title（参考訳）: Fig: 自動マルチエージェント動作バリケータ
• Abstract要約: Fig(フィグ)は、ゲーム環境においてターゲットの利息介入を行うエージェントシステムである。 自然言語の振る舞いを記述し、それをサブビヘイビアに分解し、新しいソーシャルゲームを生成したり、既存のゲームを選択する。 我々は,人間のレビューによる介入,生成ゲーム,評価機構の検証を行った。
• 参考スコア（独自算出の注目度）: 4.884384441845149
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many social evaluations for multiagent systems study behaviors as they emerge from environments instead of systematically intervening in the environment to elicit such behaviors. We introduce Fig (Finding Interactions in Games), an agentic system that performs targeted elicitation interventions on game environments. It takes a natural language behavior description, decomposes it into sub-behaviors, generates new social games or selects existing ones, and executes single or combined interventions to the games' engine, opponents, instructions, and context. To evaluate model behavior, it combines built-in mechanical checks and synthetic rubric judgments. We validate the interventions, generated games, and evaluation mechanisms via human review. Models attempt the target behavior in 45.2% of episodes on average for valid scenarios generated by Fig for six test behaviors -- cooperation, exploitation, deception, covert coordination, betrayal, and sabotage. For game-behavior pairs with available controls, Fig's interventions increase attempt rates by 10.9% on average compared to matched control games. Fig shows that multiagent environments can serve as programmable test beds for intentional, controllable, and reproducible behavior evaluation. Code is available at https://github.com/fleet-ai/fig.
• Abstract（参考訳）: マルチエージェントシステムに対する多くの社会的評価は、そのような行動を引き出すために環境に体系的に介入するのではなく、環境から現れる行動を研究する。 本稿では,ゲーム環境において,ゲーム環境におけるターゲットの誘引介入を行うエージェントシステムであるFig(Finding Interactions in Games)を紹介する。 自然言語の振る舞いを記述し、それをサブビヘイビアに分解し、新しいソーシャルゲームを生成したり、既存のゲームを選択する。 モデル動作を評価するために、内蔵の機械的チェックと合成ルーリック判断を組み合わせる。 我々は,人間のレビューによる介入,生成ゲーム,評価機構の検証を行った。 モデルは、Figが6つのテスト行動(協調、搾取、偽装、隠密調整、裏切り、破壊)で生成した有効なシナリオについて、平均45.2%のエピソードで目標行動を試みる。 利用可能なコントロールを持つゲーム-ビヘイビアペアでは、Figの介入により、マッチしたコントロールゲームと比較して平均10.9%のトライレートが向上する。 Figは、マルチエージェント環境が意図的、制御可能、再現可能な行動評価のためのプログラム可能なテストベッドとして機能することを示した。 コードはhttps://github.com/fleet-ai/fig.comで入手できる。

関連論文リスト

• AnyWorld: Factorized Egocentric World Models for Cross-Embodiment Generalization [88.25615187835321]
  我々は,クロス・エボディメント・ワールド・モデリング・フレームワークであるAnyWorldを提案する。 私たちのモデルは、アクション、カメラ、エンボディメントへのインタラクションを分解します。 大規模なヒューマンインタラクション事前トレーニングでモデルをトレーニングする。
  論文  参考訳（メタデータ） (2026-08-29T12:55:15Z)
• How to Interpret Agent Behavior [56.59836196946289]
  本稿では,エージェントの動作を実行時に記述・解析するための分類法であるACT*ONOMYを紹介する。 共用語彙を提供することで、ACT*ONOMYは研究者、エージェントデザイナー、エンドユーザーがエージェントの振る舞いをより一貫して解釈するのに役立つ。
  論文  参考訳（メタデータ） (2026-05-13T14:52:40Z)
• GameWorld: Towards Standardized and Verifiable Evaluation of Multimodal Game Agents [76.60994803070436]
  GameWorldは、ブラウザ環境におけるマルチモーダル大言語モデル(MLLM)ゲームエージェントの評価のためのベンチマークである。 2つのゲームエージェントインタフェースが研究され、 (i) キーボードとマウスのコントロールを直接出力するコンピュータ利用エージェント、 (ii) セマンティックアクション空間で作用する汎用マルチモーダルエージェントが研究されている。 18組のモデルとインタフェースのペアによる結果は、最高のパフォーマンスエージェントでさえ、ビデオゲームで人間の能力を達成するには程遠いことを示唆している。
  論文  参考訳（メタデータ） (2026-04-08T17:49:03Z)
• Emotional Support Evaluation Framework via Controllable and Diverse Seeker Simulator [12.68911492082634]
  探索行動の基盤となる9つの心理的特徴と言語的特徴によって駆動される制御可能な探索シミュレータを提案する。 本シミュレータは,既存手法と比較して,プロファイルの順応性や行動の多様性に優れる。
  論文  参考訳（メタデータ） (2026-01-12T16:30:38Z)
• Learning Controllable and Diverse Player Behaviors in Multi-Agent Environments [0.0]
  本稿では,人間のゲームプレイデータに頼らずに,制御可能かつ多様なプレイヤ動作を可能にする強化学習フレームワークを提案する。 我々はN次元連続空間におけるプレイヤーの行動を定義し、実際の人間のスタイルを表すサブセットを含む領域からターゲットの行動ベクトルを均一にサンプリングする。 単一のPPOベースのマルチエージェントポリシーは、再トレーニングすることなく、新しいまたは見えないプレイスタイルを再現することができる。
  論文  参考訳（メタデータ） (2025-12-11T17:26:24Z)
• Nicer Than Humans: How do Large Language Models Behave in the Prisoner's Dilemma? [0.1474723404975345]
  複数レベルの敵意を示すランダムな敵に対する反復的囚人ジレンマの演奏におけるLlama2の協調行動について検討した。 Llama2は欠陥を起こさない傾向にあるが、協調に慎重なアプローチを採用する。 ヒトの参加者に関する以前の研究と比較すると、Llama2は協調行動に対するより強い傾きを示す。
  論文  参考訳（メタデータ） (2024-06-19T14:51:14Z)
• Incorporating Rivalry in Reinforcement Learning for a Competitive Game [65.2200847818153]
  本研究は,競争行動の社会的影響に基づく新しい強化学習機構を提案する。 提案モデルでは, 人工エージェントの学習を調節するための競合スコアを導出するために, 客観的, 社会的認知的メカニズムを集約する。
  論文  参考訳（メタデータ） (2022-08-22T14:06:06Z)
• Time-series Imputation of Temporally-occluded Multiagent Trajectories [18.862173210927658]
  エージェントのサブセットの過去と将来の観測が、他のエージェントの欠落した観察を推定するために使用される、マルチエージェントの時系列計算の問題について検討する。 グラフインプタ(Graph Imputer)と呼ばれる我々の手法は,グラフネットワークと変分オートエンコーダを組み合わせた前方情報と後方情報を利用する。 提案手法は,プロジェクティブカメラモジュールを用いて,オフスクリーンプレーヤの状態推定設定のためのモデルをトレーニングし,評価する。
  論文  参考訳（メタデータ） (2021-06-08T09:58:43Z)
• Learning to Simulate Dynamic Environments with GameGAN [109.25308647431952]
  本稿では,エージェントが環境と対話するのを見ることでシミュレーターを学習することを目的とする。 ゲームGANは,学習中にスクリーンプレイやキーボード操作を取り入れることで,所望のゲームを視覚的に模倣することを学習する生成モデルである。
  論文  参考訳（メタデータ） (2020-05-25T14:10:17Z)
• Variational Autoencoders for Opponent Modeling in Multi-Agent Systems [9.405879323049659]
  マルチエージェントシステムは、共有環境における複数のエージェントの相互作用から生じる複雑な振る舞いを示す。 本研究は,マルチエージェントシステムにおけるエージェントの制御に関心を持ち,ポリシーを定めているエージェントとのインタラクションをうまく学習する。 他のエージェント(反対者)の振る舞いをモデル化することは、システム内のエージェントの相互作用を理解するのに不可欠である。
  論文  参考訳（メタデータ） (2020-01-29T13:38:59Z)

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。