論文の概要: PolicyMediator: Multi-Regional Policy Learning through Mediation Agents with Evolving Skills in OPC Ecosystems

• arxiv url: http://arxiv.org/abs/2610.35997v1
• Date: Mon, 26 Oct 2026 13:21:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.38479
• Title: PolicyMediator: Multi-Regional Policy Learning through Mediation Agents with Evolving Skills in OPC Ecosystems
• Title（参考訳）: PolicyMediator: OPCエコシステムにおけるスキルの発達を伴うメディエーションエージェントによる多段階政策学習
• Abstract要約: 個人企業(英: One-person companies、OPC)は、デジタルプラットフォームとAIエージェントを通じて、個々の起業家が運営する新興企業である。 中国の政府は、異なる地域支援政策を使用してモバイルOPCを誘致し、地方支援を地域間調整問題にしている。 既存の政策学習手法は、一定の認識の下で資源を最適化し、コンセンサス形成法は、認知的変化を政策学習に戻すことなく、ビューを集約する。 本稿では,認知に制約のあるリーダ・マルチフォローのStackelbergフレームワークであるPocialMediatorについて紹介する。
• 参考スコア（独自算出の注目度）: 15.19574706975763
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One-person companies (OPCs) are emerging enterprises operated by individual entrepreneurs through digital platforms and LLM-based AI agents. These highly skilled entrepreneurs are characterized by being digital nomads, with limited reliance on local ecosystems. Governments in China use distinct regional support policies to attract mobile OPCs, turning local support into a cross-regional coordination problem. OPCs compare regions to maximize their own utility, but imperfect policy perceptions may cause them to reject otherwise suitable locations. Existing policy-learning methods optimize resources under fixed perceptions, while consensus-formation methods aggregate views without feeding cognitive changes back into policy learning. This disconnect produces mismatched location choices and inefficient regional policy adjustment. We introduce PolicyMediator, a cognition-constrained leader-multi-follower Stackelberg framework with bilateral mediation. The mediator explains verified policies to OPCs to build awareness and trust, and reports their needs and unresolved concerns to governments for policy learning. Its self-evolving skills retain, revise, or prune strategies using verification, allocation, capacity, and objective trajectories rather than mediation success alone. Across six-region simulations in China with five OPC types, five scenarios, and three OPC-simulator backbones, PolicyMediator ranks first in all 15 OPC-backbone--scenario combinations. Over the eight-baseline mean, it improves the aggregate government objective, combining economic performance, employment benefit, and policy-access equality, by 42.4% and average OPC utility by 40.9%.
• Abstract（参考訳）: 個人企業(英: One-person companies、OPC)は、デジタルプラットフォームとLLMベースのAIエージェントを通じて、個々の起業家が運営する新興企業である。 これらの高度に熟練した起業家は、地元の生態系に限定したデジタルノマドであるのが特徴である。 中国の政府は、異なる地域支援政策を使用してモバイルOPCを誘致し、地方支援を地域間調整問題にしている。 OPCは、地域を比較して、自国の利便性を最大化するが、不完全な政策認識により、他の場所を拒絶する可能性がある。 既存の政策学習手法は、一定の認識の下で資源を最適化し、コンセンサス形成法は、認知的変化を政策学習に戻すことなく、ビューを集約する。 この切断は、ミスマッチした位置選択と非効率な地域政策調整を生み出す。 本稿では,認知に制約のあるリーダ・マルチフォローのStackelbergフレームワークであるPocialMediatorについて紹介する。 仲介者は、OPCに対して、認識と信頼を構築するための検証済みのポリシーを説明し、彼らのニーズを報告し、政策学習に対する政府への未解決の懸念を報告する。 その自己進化的なスキルは、仲介の成功単独ではなく、検証、割り当て、キャパシティ、客観的な軌道を用いた戦略を維持し、修正し、または不規則な戦略を維持します。 中国では、5つのOPCタイプ、5つのシナリオ、3つのOPCシミュレーションバックボーンを持つ6つの領域シミュレーションにおいて、PocialMediatorは15のOPCバックボーン-scenarioの組み合わせで第1位である。 8つのベースライン平均で、経済パフォーマンス、雇用利益、政策アクセス平等を42.4%、平均的なOPCユーティリティーを40.9%改善することで、政府の全体目標を改善している。

関連論文リスト

• KITA AI: A Multi-Agent LLM System for Pluralistic Policy Deliberation [5.608033034681917]
  KITA AIは、複数の大きな言語モデルエージェントが、それぞれ異なる階層的利害関係者のペルソナを基盤として、政策シナリオを意識したモジュラーシステムである。 KITA AIの目的は、望ましい政策提案を知らせるだけでなく、シナリオに影響された人物を自動的に見つけ出すことである。 KITA AIは、非収束を第一級の説明可能な出力として扱い、政策立案者が議論される政策のトレードオフと人間的影響をよりよく理解できるようにする。
  論文  参考訳（メタデータ） (2026-09-28T10:59:17Z)
• PALM: Enhanced Generalizability for Local Visuomotor Policies via Perception Alignment [18.02599913118209]
  PALM (Perception Alignment for Local Manipulation) は、一般化、ワークスペースシフト、視点変化、異体間移動に対処する。 Palmerは、操作ポリシーを粗いグローバルコンポーネントときめ細かいアクションのためのローカルポリシーにモジュール化する。 実験の結果、PALMはOOD性能を8%、現実世界では24%に制限し、ベースラインでは45%、ベースラインでは77%に制限した。
  論文  参考訳（メタデータ） (2026-01-27T11:55:23Z)
• Coordinated Pandemic Control with Large Language Model Agents as Policymaking Assistants [51.26321657927398]
  本研究では,地域間で協調的かつ積極的なパンデミック制御を支援する多言語モデル (LLM) の多言語政策作成フレームワークを提案する。 実世界のデータ、パンデミックの進化シミュレータ、エージェント間の構造的コミュニケーションを統合することで、エージェントは反現実的な介入シナリオを共同で探索することができる。 実際のパンデミックの結果と比較すると、それぞれの州レベルで累積感染と死亡率を最大63.7%、死亡率40.1%まで下げる。
  論文  参考訳（メタデータ） (2026-01-14T07:59:44Z)
• What Would an LLM Do? Evaluating Policymaking Capabilities of Large Language Models [13.022045946656661]
  本稿は,大規模言語モデル(LLM)が,ホームレスの緩和をテーマとした社会政策決定に,ドメインエキスパートと協調しているかどうかを評価する。 4つの地域をまたいだ政策選択を伴う意思決定シナリオからなる新しいベンチマークを開発する。 本稿では,ベンチマークされたポリシーをエージェントベースモデルに接続する自動パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-09-04T02:28:58Z)
• Adaptive Opponent Policy Detection in Multi-Agent MDPs: Real-Time Strategy Switch Identification Using Running Error Estimation [1.079960007119637]
  OPS-DeMoは、動的エラー減衰を利用して相手のポリシーの変更を検出するオンラインアルゴリズムである。 提案手法は,プレデター・プレイ設定のような動的シナリオにおいて,PPO学習モデルよりも優れている。
  論文  参考訳（メタデータ） (2024-06-10T17:34:44Z)
• Off-Policy Evaluation for Large Action Spaces via Policy Convolution [60.6953713877886]
  ポリシ・コンボリューション(Policy Convolution)のファミリーは、アクション内の潜在構造を使用して、ログとターゲットポリシを戦略的に畳み込みます。 合成およびベンチマークデータセットの実験では、PCを使用する場合の平均二乗誤差(MSE)が顕著に改善されている。
  論文  参考訳（メタデータ） (2023-10-24T01:00:01Z)
• PARL: A Unified Framework for Policy Alignment in Reinforcement Learning from Human Feedback [106.63518036538163]
  我々は、強化学習におけるポリシーアライメントの最近強調された重要な問題に対処するために、新しい統合された二段階最適化ベースのフレームワーク、textsfPARLを提案する。 本フレームワークは, 上向きの目標(逆設計)の分布を, 下向きの最適変数で明示的にパラメータ化することにより, これらの問題に対処する。 その結果,提案したtextsfPARL が RL のアライメントの懸念に対処できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-08-03T18:03:44Z)
• Counterfactual Explanation Policies in RL [3.674863913115432]
  COUNTERPOLは、反実的説明を用いて強化学習ポリシーを分析する最初のフレームワークである。 RLにおけるCounterpolと広く利用されている信頼領域ベースのポリシー最適化手法の理論的関係を確立する。
  論文  参考訳（メタデータ） (2023-07-25T01:14:56Z)
• Local Optimization Achieves Global Optimality in Multi-Agent Reinforcement Learning [139.53668999720605]
  本稿では,各エージェントのローカルポリシーをバニラPPOと同様に更新するマルチエージェントPPOアルゴリズムを提案する。 マルコフゲームにおける標準正則条件と問題依存量により、我々のアルゴリズムはサブリニアレートで大域的最適ポリシーに収束することを示す。
  論文  参考訳（メタデータ） (2023-05-08T16:20:03Z)
• Monotonic Improvement Guarantees under Non-stationarity for Decentralized PPO [66.5384483339413]
  我々は,MARL(Multi-Agent Reinforcement Learning)における分散政策の最適化のための新しい単調改善保証を提案する。 本研究では,訓練中のエージェント数に基づいて,独立した比率を限定することにより,信頼領域の制約を原則的に効果的に実施可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-31T20:39:48Z)
• Dealing with Non-Stationarity in Multi-Agent Reinforcement Learning via Trust Region Decomposition [52.06086375833474]
  非定常性は多エージェント強化学習における厄介な問題である。 ポリシーシーケンスの定常性を明示的にモデル化するための$delta$-stationarity測定を導入する。 共同政策の分岐を推定するために,メッセージパッシングに基づく信頼領域分解ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-02-21T14:46:50Z)

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。