論文の概要: Multi-Agent Reinforcement Learning for Global Climate Policy Cooperation

• arxiv url: http://arxiv.org/abs/2610.37870v1
• Date: Tue, 27 Oct 2026 19:14:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.319868
• Title: Multi-Agent Reinforcement Learning for Global Climate Policy Cooperation
• Title（参考訳）: 地球温暖化政策協力のためのマルチエージェント強化学習
• Abstract要約: 我々は,合意設計が学習した緩和行動,コンプライアンス,気候結果に与える影響について検討する。 非拘束協定は自由貿易を克服するにはほとんど役立ちませんが、適度な非コンプライアンスの罰則は協力を改善し、温暖化を減らします。 我々は、実際の交渉の予測モデルではなく、合意設計をテストするための方法論的な貢献として、この枠組みを位置付ける。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: International climate policy requires coordination among countries whose mitigation decisions impose local costs but generate global benefits. Classical game-theoretic and integrated assessment approaches can study these incentives, but typically rely on prescribed behavioural assumptions or equilibrium concepts. Recent work has therefore explored Multi-Agent Reinforcement Learning as a way to model climate-policy cooperation as an emergent outcome of repeated strategic interaction. We extend an existing MARL climate framework with a multi-stage negotiation mechanism in which agents propose agreements, accept or reject commitments, and face penalties for non-compliance. This allows us to study how agreement design affects learned mitigation behaviour, compliance, and climate outcomes. In an idealized setting with four homogeneous agents, we find that non-binding agreements do little to overcome free-riding, while moderate non-compliance penalties improve cooperation and reduce warming. However, excessively strong penalties discourage ambitious commitments, revealing a trade-off between enforcement and participation. We position the framework as a methodological contribution for testing agreement design rather than a predictive model of real negotiations.
• Abstract（参考訳）: 国際気候政策は、緩和決定が地域コストを課すが、世界的な利益を生み出す国間の調整を必要とする。 古典的なゲーム理論と統合されたアセスメントアプローチはこれらのインセンティブを研究することができるが、通常は所定の行動仮定や平衡概念に依存する。 近年の研究は、繰り返しの戦略的相互作用の創発的な結果として、気候と政治の協力をモデル化する方法としてマルチエージェント強化学習を探求している。 我々は,MARL気候枠組みを多段階交渉機構で拡張し,エージェントが合意を提案し,約束を受け入れ,拒否し,不遵守に対する罰則に直面する。 これにより、合意設計が学習した緩和行動、コンプライアンス、気候結果にどのように影響するかを研究できる。 4つの均質なエージェントによる理想化された環境では、非結合契約は自由な結束を克服し難く、一方、適度な非準拠の罰則は協力を改善し、温暖化を減らす。 しかし、過度に強い罰則は野心的なコミットメントを妨げ、執行と参加のトレードオフを明らかにした。 我々は、実際の交渉の予測モデルではなく、合意設計をテストするための方法論的な貢献として、この枠組みを位置付ける。

関連論文リスト

• LLawCo: Learning Laws of Cooperation for Modeling Embodied Multi-Agent Behavior [51.25229110468212]
  分散化された環境で活動する身体的エージェントは、しばしばパートナーと不整合または環境状態に不整合な行動を示す。 我々は,実施エージェントがパートナーとタスクの目的の両方を自律的に整合させることができる新しい枠組みであるLearning Laws of Cooperationを提案する。 我々のフレームワークは、エージェントが過去の失敗を反映して、不整合な行動パターンを抽出し、"必要であれば話す"や"パートナーを待つ"といったハイレベルな行動法則を導出することを可能にする。
  論文  参考訳（メタデータ） (2026-06-26T15:26:12Z)
• Toward a Sustainable Federated Learning Ecosystem: A Practical Least Core Mechanism for Payoff Allocation [71.86087908416255]
  最小コア(LC)概念に基づく配当フレームワークを提案する。 従来の方法とは異なり、LCは最大の不満を最小限に抑えてフェデレーションの凝集を優先する。 統合侵入検知におけるケーススタディは、我々のメカニズムが重要な貢献者や戦略的提携を正しく識別できることを実証している。
  論文  参考訳（メタデータ） (2026-02-03T11:10:50Z)
• Exploring Equity of Climate Policies using Multi-Agent Multi-Objective Reinforcement Learning [8.711832374898187]
  我々は,統合アセスメントモデルと多目的マルチエージェント強化学習を統合した最初のフレームワークであるジャスティスを紹介する。 複数の目的を取り入れることで、司法は気候と経済の目標のバランスを保ちながら株式に光を当てる政策レコメンデーションを生成する。
  論文  参考訳（メタデータ） (2025-05-02T08:52:56Z)
• Crafting desirable climate trajectories with RL explored socio-environmental simulations [3.554161433683967]
  統合アセスメントモデル(IAM)は、社会、経済、環境シミュレーションを組み合わせて、潜在的な政策効果を予測する。 従来の解決法を置き換えるために強化学習(RL)を用いた最近の予備研究は、不確実でノイズの多いシナリオにおける意思決定において有望な結果を示している。 我々は、様々な利害関係者や国家間の複雑な相互作用の相互作用をモデル化するための予備分析として、複数の対話的RLエージェントを導入することにより、この研究を拡大する。
  論文  参考訳（メタデータ） (2024-10-09T13:21:50Z)
• Improving International Climate Policy via Mutually Conditional Binding Commitments [0.03499870393443267]
  条件付きコミットメントメカニズムは、国際気候政策における条件付き協力の形式化を目的としている。 本稿では,AI4ClimateCooperationのメカニズムの概要と,その性能について述べる。
  論文  参考訳（メタデータ） (2023-07-26T15:53:26Z)
• AI For Global Climate Cooperation 2023 Competition Proceedings [77.07135605362795]
  国際機関が国際気候協定の遵守を保証できない。 RICE-NはAIエージェントを使用した地域意思決定のモデリングをサポートする。 IAMは、これらの決定の気候・経済的な影響を未来にモデル化する。
  論文  参考訳（メタデータ） (2023-07-10T20:05:42Z)
• AI for Global Climate Cooperation: Modeling Global Climate Negotiations, Agreements, and Long-Term Cooperation in RICE-N [75.67460895629348]
  n個の戦略エージェントによる気候変動緩和に関する長期的な協力は、複雑なゲーム理論の問題を引き起こす。 地球温暖化と経済をシミュレートするマルチリージョン統合アセスメントモデルであるRICE-Nを紹介する。 本稿では,多エージェント強化学習を用いて理性エージェントをRICE-Nで訓練する方法について述べる。
  論文  参考訳（メタデータ） (2022-08-15T04:38:06Z)
• Normative Disagreement as a Challenge for Cooperative AI [56.34005280792013]
  典型的な協調誘導学習アルゴリズムは、問題の解決に協力することができないと論じる。 我々は,ノルム適応政策のクラスを開発し,これらが協調性を著しく向上させることを示す実験を行った。
  論文  参考訳（メタデータ） (2021-11-27T11:37:42Z)
• 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。