Performance of Software Agents in Non-Transferable Payoff Group Buying
Bibliographic record
Abstract
Les agents logiciels peuvent être utiles pour la formation de groupes d'acheteurs puisque les humains ont beaucoup de difficultés à trouver des transactions Pareto-optimales (aucun acheteur ne peut être mieux sans qu'un autre soit pire) dans les situations de négociation. Alors, quelles sont les performances informatiques et économiques des agents logiciels pour un problème de négociation particulier? Nous donnons une première réponse à cette question pour un problème de groupement d'acheteurs. Du point de vue de la théorie des jeux, ce problème est équivalent à la formation de coalitions avec gain non-transférable (le cas général). La recherche antérieure sur la formation de coalitions permettait le transfert de gain entre agents ce qui est un cas spécial. Nous argumentons que la Pareto-optimalité est un bon concept de solution pour ce problème. La formation de coalitions peut être décomposée en deux parties ayant une grande complexité de calcul : déterminer l'ordre de préférence parmi tous les groupes d'acheteurs possibles de chaque agent et trouver la meilleure structure de coalitions. Pour la première partie, nous avons trouvé une restriction raisonnable au problème permettant une réduction du nombre de groupes d'acheteurs à ordonner d'un facteur exponentiel à un facteur linéaire en fonction du nombre d'acheteurs. Pour la deuxième partie, nous cherchons à savoir par une évaluation empirique si les incitatifs à se regrouper (un gros groupe obtient un prix unitaire inférieur à un petit groupe) créent une structure spéciale rendant possiblement le problème plus facile sur le plan calculatoire. Nous évaluons un protocole de négociation pour agents logiciels que nous avons développé pour voir si le problème est difficile en moyenne et pourquoi. Ce protocole trouve assurément une solution Pareto-optimale qui minimise la pire distance à l'idéal parmi tous les agents étant donné des listes de préférences sans égalité. Notre évaluation démontre que la consommation de l'espace en mémoire et non le temps d'exécution limite les performances des agents logiciels dans ce problème de groupement d'acheteurs. De plus, nous cherchons à savoir si les agents logiciels suivant ce protocole ont le même comportement d'acheteurs que des humains dans la même situation. Les résultats démontrent que les agents logiciels ont un comportement plus différent (et meilleur car ils peuvent toujours simuler le comportement habituel des humains qui est d'acheter seul leur produit préféré) lorsqu'ils ont des préférences similaires dans l'espace des produits disponibles. Nous discutons également du type de la différence de comportement et de sa fréquence en fonction de la situation.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".