論文の概要: The Price of a Chance in Artificial Societies

• arxiv url: http://arxiv.org/abs/2610.40259v1
• Date: Thu, 29 Oct 2026 15:24:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 07:45:35.510031
• Title: The Price of a Chance in Artificial Societies
• Title（参考訳）: 人工社会におけるチャンスの価格
• Abstract要約: 個人の富を最大化するために、50ラウンドで競う200人のエージェントをシミュレートします。 最低テストの報酬では、人口は平らで、最高2つでは越している。 予算の固定化により、より多くの受賞者により小さな賞を提供することで、投資を削減できるが、選別品質は維持できる。 さらに報酬カバレッジを拡大すると、追加の貯蓄が得られるが、選択品質が低下する。
• 参考スコア（独自算出の注目度）: 8.71978461307798
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Rapid advances in large language models (LLMs) have enabled autonomous agents to interact, coordinate, and pursue individual goals in artificial societies. However, our understanding of how reward structures shape their competitive behavior and collective outcomes remains incomplete. We simulate 200 LLM agents competing over 50 rounds to maximize individual wealth. We define overcompetition and lying flat as population investment above and below a Bayesian adaptive baseline, respectively. At the lowest tested reward, populations lie flat; at the two highest, they overcompete, most strongly at intermediate winner coverage. The investment committed to pursuing an uncertain reward constitutes the price of a chance. Agents near the qualification cutoff can invest heavily yet receive no prize, finishing poorer than nonwinners who invest less. Agents' stated rationales link investment decisions to perceived qualification prospects and expected returns. At the collective level, greater investment does not consistently improve ability selection. With a fixed total prize budget, offering smaller prizes to more winners can reduce investment while preserving selection quality relative to the corresponding top-ability target. Further broadening reward coverage yields additional savings but reduces selection quality. These findings show how reward design shapes overcompetition and lying flat, distributes the costs of pursuing opportunity, and influences what competition collectively achieves.
• Abstract（参考訳）: 大規模言語モデル(LLM)の急速な進歩により、自律エージェントは人工社会における個々の目標を対話し、調整し、追求することが可能になった。 しかし、報酬構造がどのように競争行動や集団的な成果を形作るかという私たちの理解は、いまだに不完全である。 我々は、個人の富を最大化するために、50ラウンド以上を争う200のLLMエージェントをシミュレートする。 オーバーコンペティションとレイフラットをベイズ適応ベースラインの上方および下方における人口投資として定義する。 最下位でテストされた報酬では、人口は平らで、最高で2つがオーバーコンペティターであり、最も強いのは中間勝者のカバレッジである。 不確実な報酬を追求する投資は、チャンスの価格を構成する。 資格停止に近いエージェントは巨額の投資をすることができるが、賞は受け取らず、投資を減らした非勝者よりも貧しい。 エージェントの主張する合理性は、投資決定を認定された資格と期待されるリターンに結びつける。 集団レベルでは、より大きな投資は能力選択を継続的に改善しない。 固定された全賞予算により、より多くの勝者により小さな賞を提供することで、対応するトップビリティ目標に対する選択品質を維持しながら、投資を減らすことができる。 さらに報酬カバレッジを拡大すると、追加の貯蓄が得られるが、選択品質が低下する。 これらの結果は、報酬デザインが過剰競争や横たわりを形作り、機会追求のコストを分散し、コンペの総合的な達成に影響を及ぼすことを示す。

関連論文リスト

• Decentralized LLM Workflows via Sequential Auctions [75.30127254397256]
  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。
  論文  参考訳（メタデータ） (2026-10-15T16:52:16Z)
• Pareto-Guided Optimal Transport for Multi-Reward Alignment [59.776579791864805]
  我々は、不均一な報酬上限の下で、統一されたグローバルターゲットに対して最適化する方法を示す。 我々は、様々な報酬信号特性に合わせたオンラインとオフラインの最適化戦略を開発した。 提案手法は, 関節支配率(JDR)が11%向上し, 人体評価において約80%の勝利率を達成した。
  論文  参考訳（メタデータ） (2026-05-13T08:19:48Z)
• Breaking $\textit{Winner-Takes-All}$: Cooperative Policy Optimization Improves Diverse LLM Reasoning [53.42577591449649]
  グループ協力政策最適化は、トレーニングパラダイムをロールアウト競争からチーム協力へとシフトさせる。 GCPOは独立したロールアウトスコアをチームレベルのクレジット割り当てに置き換える。 チームへの平均的な限界貢献に従って、各ロールアウトに対して、グループチームの報酬を再分配する。
  論文  参考訳（メタデータ） (2026-05-12T03:20:24Z)
• Reducing Reward Dependence in RL Through Adaptive Confidence Discounting [0.0]
  環境状態における行動の価値の知識が低い場合にのみ報酬を要求できる新しい強化学習アルゴリズムを提供する。 高価な報酬への依存を減らすことで、報酬を得るための物流や費用が禁止されるような環境で、効率的に学習することができる。
  論文  参考訳（メタデータ） (2025-02-28T15:58:21Z)
• 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)
• Competing for Shareable Arms in Multi-Player Multi-Armed Bandits [29.08799537067425]
  本稿では,プレイヤーが自尊心を持ち,自己報酬を最大化することを目的とした,新しいマルチプレイヤーマルチアームバンディット(MPMAB)について検討する。 本稿では, 平均アロケーション (SMAA) を用いた新たな自己中心型MPMABを提案する。 我々は,一人の利己的なプレイヤーが,逸脱によって報酬を著しく増加させることはできず,また,他のプレイヤーの報酬に有害な影響も与えないことを確認した。
  論文  参考訳（メタデータ） (2023-05-30T15:59:56Z)
• Offsetting Unequal Competition through RL-assisted Incentive Schemes [18.57907480363166]
  本稿では,不平等な専門知識を持つ組織間の競争のダイナミクスについて検討する。 We design Touch-Mark, a game based on well-known multi-agent- Particle-environment。
  論文  参考訳（メタデータ） (2022-01-05T04:47:22Z)
• Competing Bandits: The Perils of Exploration Under Competition [99.68537519404727]
  オンラインプラットフォーム上での探索と競争の相互作用について検討する。 私たちは、スタークコンペティションが企業に対して、低福祉につながる「欲張り」バンディットアルゴリズムにコミットするよう促すことに気付きました。 競争を弱めるための2つのチャンネルについて検討する。
  論文  参考訳（メタデータ） (2020-07-20T14:19:08Z)

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。