論文の概要: Before AI Agents Negotiate for Us: A Competitive Tournament of Rule-Based, Search, Optimization, Learned, and Language-Model Negotiators Under Scarcity
- arxiv url: http://arxiv.org/abs/2611.15838v1
- Date: Wed, 11 Nov 2026 18:48:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.25395
- Title: Before AI Agents Negotiate for Us: A Competitive Tournament of Rule-Based, Search, Optimization, Learned, and Language-Model Negotiators Under Scarcity
- Title(参考訳): AIエージェントがUsのために交渉する前:Scarcityの下でルールベース、検索、最適化、学習、言語モデルネゴシエータの競争的なトーナメント
- Abstract要約: 自動二国間交渉は貨物ブローカーのような二国間市場を基盤としている。
以前の戦略比較では、通常、孤立した1対1のデュエルまたは1つの固定市場を使用する。
ルールベース,検索ベース,最適化ベース,模倣学習,強化学習を対象とする9つのネゴシエーションアーキテクチャを構築した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated bilateral negotiation underlies two-sided matching markets such as freight brokering, where many shippers and carriers negotiate price before a matching mechanism decides who is paired with whom. Prior strategy comparisons typically use isolated one-on-one duels or a single fixed market, so they cannot show how a strategy behaves against several live rivals under a changing balance of supply and demand. We built nine negotiation architectures spanning rule-based, search-based, optimization-based, imitation-learning, and reinforcement-learning families, and ran all nine simultaneously on both sides of a Gale-Shapley matching market under a balanced condition and two scarcity conditions rotated across all 36 exclusion pairs. In the balanced carrier market, an imitation-learned engine (ML2), a reinforcement-learning policy trained only on isolated negotiations (RL), and an expected-utility optimization engine (OPT) formed a statistically tied top group, and no architecture led in every condition and role. RL beat all eight carrier rivals when carriers were scarce, but its match rate collapsed from 62% to 16% when shippers were scarce and it had to compete with the other carrier agents for demand. A second reinforcement-learning policy trained against rival agents (RL2) kept its match rate above 91% in every condition, yet lost on realized payoff to all eight shipper-side rivals in two of the three conditions, traced to a confirmed train/deployment feature mismatch. We also tested nine large language models (LLMs), from 1 to 72 billion parameters, under the same protocol: they lost significantly to the two strongest engines (OPT2 and ML2) in 32 of 36 comparisons and won none. These results show that isolated or single-condition evaluation can hide failure modes that a many-sided, scarcity-varying, statistically corrected tournament exposes directly.
- Abstract(参考訳): 自動二国間交渉は、貨物ブローカーのような二国間マッチング市場を基盤とし、マッチングメカニズムが誰とペアになっているかを決定する前に、多くの運送業者と運送業者が価格を交渉する。
以前の戦略比較では、通常、孤立した1対1のデュエルまたは単一固定市場を使用するため、供給と需要のバランスが変化する中で、いくつかのライブライバルに対して戦略がどのように振る舞うかを示すことはできない。
ルールベース,検索ベース,最適化ベース,模倣学習,強化学習を対象とする9つのネゴシエーションアーキテクチャを構築した。
バランスの取れたキャリア市場では、模擬学習エンジン(ML2)、独立した交渉(RL)にのみ訓練された強化学習ポリシー、期待される実用性最適化エンジン(OPT)が統計的に結びついたトップグループを形成し、あらゆる状況と役割にアーキテクチャが導かれることはなかった。
RLは空母が不足していたとき8つの空母のライバルを全て破ったが、運送業者が不足し、他の空母のエージェントと競争しなければならなかったため、マッチレートは62%から16%に低下した。
ライバルエージェント (RL2) に対して訓練された第2の強化学習政策は、全ての条件において91%以上のマッチ率を維持したが、3つの条件のうち2つの条件において、出荷側ライバルの8社すべてに対して実際に支払ったことに敗れた。
また、同じプロトコルで1から72億のパラメータから9つの大きな言語モデル(LLM)をテストしました。
これらの結果は,多面的,希少な,統計的に補正されたトーナメントが直接露呈する障害モードを,孤立的あるいは単一条件評価によって隠蔽することができることを示している。
関連論文リスト
- SPAR: Experience-Driven Strategy Evolution in Multi-Session B2B Sales [81.68490788568224]
テスト可能な仮説として戦略をモデル化し,パラメータを更新せずにそれらを洗練する自己進化型フレームワークであるSPARを提案する。
1688年のA/Bテストでは、20万以上の商人が参加し、SPARは+15.8%のコンバージョンリフトと+35.8%の高知能商人の成長を達成した。
論文 参考訳(メタデータ) (2026-11-01T08:29:41Z) - 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) - Compositional RL: Evaluating and Training LLMs for Collaborative Reasoning [97.32102143832891]
モデルプールの連立性よりも協調ゲームのシェープリー値を用いてモデルの構成強度を定式化する。
次に,ライブマルチモデルシステム内でポリシーを訓練し,システム全体の成果を報奨する合成強化学習(C-RL)を提案する。
論文 参考訳(メタデータ) (2026-10-12T22:16:45Z) - IB-RL: Isolated Bilateral Reinforcement Learning for Strategic Dialogue Agents [7.9227321734048495]
強化学習(Reinforcement Learning, RL)は、数学的推論やコード実行など、定常的で検証可能な報酬を持つタスクにおいて、大きな言語モデル(LLM)を改善する上で大きな成果を上げている。
このようなインタラクティブな性質にもかかわらず、現在のRLアプローチは通常、固定されたエージェントやシミュレータに対してターゲットエージェントを訓練する。
この訓練パラダイムは、政策が相互に共通する戦略を学習するよりも、相補的な正規性を活用することを奨励している。
本稿では,両ロールが共同ロールアウトを通じて共進化し,各ロールが完全に独立したアドバンテージ,アクションマスクを通じて自身の報酬を最適化する,分離型バイラテラル強化学習(IB-RL)を提案する。
論文 参考訳(メタデータ) (2026-08-07T02:59:53Z) - When LLM Agents Negotiate: Private Information and Dynamic Bargaining in Supply Chains [7.901350921757907]
我々は、委譲交渉者が価値を生み出し、それを予測可能に分割し、金銭損失の契約を避けるか検討する。
検証済みのPerfect Bayesian Equilibriumに対して、OpenAI、Google、Alibabaの9つのLMをベンチマークします。
我々は,AIエージェントの均衡基準監査を,割引効率,分散プロファイル,運用信頼性の3次元に沿って確立する。
論文 参考訳(メタデータ) (2026-07-29T02:17:11Z) - When Agents Lie: Premeditation, Persistence, and Exploitation in Repeated Games [69.060029640261]
10ラウンドにわたる同質群と異質群の6つのゲームにおけるフロンティアモデルの評価を行った。
異なるモデルは発表を無矛盾に解釈し、いくつかはバインディングのコミットメントとして、もうひとつは安価なトークとして解釈する。
論文 参考訳(メタデータ) (2026-07-06T14:17:59Z) - Training Language Models for Bilateral Trade with Private Information [47.25254982913256]
貿易の利益を達成するためには、個人、戦略的余剰の合理性、協力が必要である。
本研究では,大規模言語モデルがイベント駆動シミュレータ内のツールコールを介して交渉する構造化交渉環境を開発する。
この環境は、フロンティアモデルのベンチマークと、強化学習によるオープンウェイトモデルのトレーニング環境という2つの目的を果たす。
論文 参考訳(メタデータ) (2026-04-10T03:04:20Z) - Territory Paint Wars: Diagnosing and Mitigating Failure Modes in Competitive Multi-Agent PPO [0.0]
テリトリー・ペイント戦争は、ユニティで実施された最小の競争力のある多エージェント強化学習環境である。
我々はこれを,自己再生下での親密な政策最適化の失敗モードを体系的に調査するために利用する。
論文 参考訳(メタデータ) (2026-04-04T23:48:17Z) - Robust Market Making via Adversarial Reinforcement Learning [5.482532589225552]
敵の強化学習は、敵対的かつ適応的な市場条件に頑健な市場マーキングエージェントを作成するのに有効であることを示す。
我々はARL法が一貫して収束していることを示し、単純化された単一ステージゲームにおいて、収束するプロファイルがナッシュ平衡に対応することをいくつかの特別なケースで証明する。
論文 参考訳(メタデータ) (2020-03-03T22:40:57Z)
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。