Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2506.06837v1

帮助 | 高级搜索

计算机科学 > 多智能体系统

arXiv:2506.06837v1 (cs)
[提交于 2025年6月7日 ]

标题: 人工智能生成的联盟形成折衷方案

标题: AI-Generated Compromises for Coalition Formation

Authors:Eyal Briman, Ehud Shapiro, Nimrod Talmon
摘要: 在论证、调解和谈判等人工智能子领域中,寻找代理人提议之间的折衷方案是一项根本性挑战。 在此传统基础上,Elkind 等人(2021)提出了一种联盟形成过程,该过程寻求优于现状的多数支持提案,并使用了一个度量空间,其中每个代理人都有一个理想点。 这一过程中一个关键步骤涉及识别折衷提案,以使代理人的联盟能够团结一致。 如何有效地找到这样的折衷提案仍然是一个开放的问题。 我们通过形式化一种结合了代理有限理性和不确定性的模型,并开发人工智能方法来生成折衷提案来填补这一空白。 我们专注于协作文档撰写领域,例如社区宪法的民主起草。 我们的方法使用自然语言处理技术和大型语言模型来诱导文本上的语义度量空间。 基于此空间,我们设计算法以建议可能获得广泛支持的折衷点。 为了评估我们的方法,我们模拟了联盟形成过程,并表明人工智能可以促进大规模民主文本编辑,这是传统工具受限的领域。
摘要: The challenge of finding compromises between agent proposals is fundamental to AI subfields such as argumentation, mediation, and negotiation. Building on this tradition, Elkind et al. (2021) introduced a process for coalition formation that seeks majority-supported proposals preferable to the status quo, using a metric space where each agent has an ideal point. A crucial step in this process involves identifying compromise proposals around which agent coalitions can unite. How to effectively find such compromise proposals remains an open question. We address this gap by formalizing a model that incorporates agent bounded rationality and uncertainty, and by developing AI methods to generate compromise proposals. We focus on the domain of collaborative document writing, such as the democratic drafting of a community constitution. Our approach uses natural language processing techniques and large language models to induce a semantic metric space over text. Based on this space, we design algorithms to suggest compromise points likely to receive broad support. To evaluate our methods, we simulate coalition formation processes and show that AI can facilitate large-scale democratic text editing, a domain where traditional tools are limited.
主题: 多智能体系统 (cs.MA) ; 人工智能 (cs.AI)
引用方式: arXiv:2506.06837 [cs.MA]
  (或者 arXiv:2506.06837v1 [cs.MA] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.06837
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Eyal Briman [查看电子邮件]
[v1] 星期六, 2025 年 6 月 7 日 15:28:27 UTC (84 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.MA
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs
cs.AI

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号