論文の概要: Impossibility of Collective Intelligence

• arxiv url: http://arxiv.org/abs/2206.02786v1
• Date: Sun, 5 Jun 2022 07:58:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-11 10:21:41.257695
• Title: Impossibility of Collective Intelligence
• Title（参考訳）: 集合知性の不可避性
• Authors: Krikamol Muandet
• Abstract要約: 異種環境をまたいで学習できる有理学習アルゴリズムを設計することは理論的には不可能であることを示す。 全ての公理と互換性のある唯一の実現可能なアルゴリズムは、標準的な経験的リスク最小化である。 その結果、研究者にとって最も大きな障害の一つとして、環境間の情報的非互換性が明らかとなった。
• 参考スコア（独自算出の注目度）: 10.107996426462604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Democratization of AI involves training and deploying machine learning models across heterogeneous and potentially massive environments. Diversity of data opens up a number of possibilities to advance AI systems, but also introduces pressing concerns such as privacy, security, and equity that require special attention. This work shows that it is theoretically impossible to design a rational learning algorithm that has the ability to successfully learn across heterogeneous environments, which we decoratively call collective intelligence (CI). By representing learning algorithms as choice correspondences over a hypothesis space, we are able to axiomatize them with essential properties. Unfortunately, the only feasible algorithm compatible with all of the axioms is the standard empirical risk minimization (ERM) which learns arbitrarily from a single environment. Our impossibility result reveals informational incomparability between environments as one of the foremost obstacles for researchers who design novel algorithms that learn from multiple environments, which sheds light on prerequisites for success in critical areas of machine learning such as out-of-distribution generalization, federated learning, algorithmic fairness, and multi-modal learning.
• Abstract（参考訳）: AIの民主化には、異種および潜在的に巨大な環境にわたる機械学習モデルのトレーニングとデプロイが含まれる。 データの多様性は、AIシステムを前進させる多くの可能性を開くと同時に、特別な注意を要するプライバシー、セキュリティ、エクイティなどのプレッシャーの懸念ももたらします。 本研究は,集合知能 (ci) と呼ばれる異種環境を横断的に学習できる有理学習アルゴリズムを理論的に設計することは不可能であることを示す。 仮説空間上の選択対応として学習アルゴリズムを表現することで、本質的性質でそれらを公理化することができる。 残念ながら、全ての公理と互換性のある唯一の実現可能なアルゴリズムは、単一の環境から任意に学習する標準経験的リスク最小化(erm)である。 分散の一般化、連合学習、アルゴリズムの公平性、マルチモーダル学習など、機械学習の重要な領域で成功するための前提条件に光を当てる、複数の環境から学習する新しいアルゴリズムを設計する研究者にとって、環境間の情報的非互換性は最も大きな障害の1つです。

関連論文リスト

• Is Efficient PAC Learning Possible with an Oracle That Responds 'Yes' or 'No'? [26.334900941196082]
  本研究では,与えられたデータセットに対する経験的リスクを最小化する仮説を計算したERMの実行能力が,効率的な学習に必要かどうかを検討する。 バイナリ分類のためのPACの実際の設定において、概念クラスは1ビットしか返さないオラクルを用いて学習可能であることを示す。 また,本研究の結果は,オラクルを少し強化した学習環境や,部分的な概念,マルチクラス,実価値の学習環境にまで及んでいる。
  論文  参考訳（メタデータ） (2024-06-17T15:50:08Z)
• Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• Artificial intelligence is algorithmic mimicry: why artificial "agents" are not (and won't be) proper agents [0.0]
  人工知能(AGI)開発の可能性について検討する 私は「緊急性」の概念に特に焦点をあてて、生活システムとアルゴリズムシステムを比較します。 真のAGIが現在のAI研究のアルゴリズムフレームワークで開発される可能性は極めて低い。
  論文  参考訳（メタデータ） (2023-06-27T19:25:09Z)
• Human-Centric Multimodal Machine Learning: Recent Advances and Testbed on AI-based Recruitment [66.91538273487379]
  人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。 i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。 異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
  論文  参考訳（メタデータ） (2023-02-13T16:44:44Z)
• Human-Algorithm Collaboration: Achieving Complementarity and Avoiding Unfairness [92.26039686430204]
  慎重に設計されたシステムであっても、補完的な性能はあり得ないことを示す。 まず,簡単な人間アルゴリズムをモデル化するための理論的枠組みを提案する。 次に、このモデルを用いて相補性が不可能な条件を証明する。
  論文  参考訳（メタデータ） (2022-02-17T18:44:41Z)
• WenLan 2.0: Make AI Imagine via a Multimodal Foundation Model [74.4875156387271]
  我々は,膨大なマルチモーダル(視覚的・テキスト的)データを事前学習した新しい基礎モデルを開発する。 そこで本研究では,様々な下流タスクにおいて,最先端の成果が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-27T12:25:21Z)
• From Undecidability of Non-Triviality and Finiteness to Undecidability of Learnability [0.0]
  新たに提案したモデルが実際にデータから学べるかどうかを厳格に評価するための汎用的な手順は存在しないことを示す。 PACバイナリ分類、一様および普遍的なオンライン学習、教師と教師の相互作用による正確な学習では、学習性は一般に決定不可能である。 機械学習モデルが成功するかどうかを決定するのに、すべてに適したアルゴリズムは存在しない。
  論文  参考訳（メタデータ） (2021-06-02T18:00:04Z)
• Investigating Bi-Level Optimization for Learning and Vision from a Unified Perspective: A Survey and Beyond [114.39616146985001]
  機械学習やコンピュータビジョンの分野では、モチベーションやメカニズムが異なるにもかかわらず、複雑な問題の多くは、一連の密接に関連するサブプロトコルを含んでいる。 本稿では,BLO(Bi-Level Optimization)の観点から,これらの複雑な学習と視覚問題を一様に表現する。 次に、値関数に基づく単一レベル再構成を構築し、主流勾配に基づくBLO手法を理解し、定式化するための統一的なアルゴリズムフレームワークを確立する。
  論文  参考訳（メタデータ） (2021-01-27T16:20:23Z)
• AI Centered on Scene Fitting and Dynamic Cognitive Network [4.228224431041357]
  より強力な人工知能を実現するためには、エンドツーエンドの関数計算を変更する必要がある。 また、動的認知ネットワークモデル(DCNet)と呼ばれる具体的なスキームについても論じている。
  論文  参考訳（メタデータ） (2020-10-02T06:13:41Z)
• Distributed and Democratized Learning: Philosophy and Research Challenges [80.39805582015133]
  民主化学習(Dem-AI)という新しいデザイン哲学を提案する。 ヒトの社会的グループに触発され、提案されたDem-AIシステムの学習エージェントの専門グループは階層構造で自己組織化され、より効率的に学習タスクを遂行する。 本稿では,様々な学際分野に触発された未来のDem-AIシステムを実現するためのガイドラインとして,参照設計を提案する。
  論文  参考訳（メタデータ） (2020-03-18T08:45:10Z)

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。