論文の概要: (Im)possibility of Collective Intelligence
- arxiv url: http://arxiv.org/abs/2206.02786v2
- Date: Mon, 19 May 2025 16:43:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-21 14:49:50.760365
- Title: (Im)possibility of Collective Intelligence
- Title（参考訳）: (私)集団知能の可能性
- Authors: Krikamol Muandet,
- Abstract要約: この研究は、不均一環境における唯一の有理学習アルゴリズムが経験的リスク最小化(ERM)である直感的かつ合理的な公理の観点から最小限の要件を提供する。
我々の可能性の結果は、あらゆるアルゴリズムが集団知性(CI)を達成するために直面する基本的なトレードオフを裏付けるものです。
最終的には、異種環境における集合学習は本質的に困難である。なぜなら、アウト・オブ・ディストリビューションの一般化、フェデレーション/コラボレーション学習、アルゴリズムフェアネス、マルチモーダル学習といった機械学習の重要な領域において、環境間のモデル予測性能を有意義に比較することは不可能である。
- 参考スコア（独自算出の注目度）: 6.922375282367237
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern applications of AI involve training and deploying machine learning models across heterogeneous and potentially massive environments. Emerging diversity of data not only brings about new possibilities to advance AI systems, but also restricts the extent to which information can be shared across environments due to pressing concerns such as privacy, security, and equity. Based on a novel characterization of learning algorithms as choice correspondences on a hypothesis space, this work provides a minimum requirement in terms of intuitive and reasonable axioms under which the only rational learning algorithm in heterogeneous environments is an empirical risk minimization (ERM) that unilaterally learns from a single environment without information sharing across environments. Our (im)possibility result underscores the fundamental trade-off that any algorithms will face in order to achieve Collective Intelligence (CI), i.e., the ability to learn across heterogeneous environments. Ultimately, collective learning in heterogeneous environments are inherently hard because, in critical areas of machine learning such as out-of-distribution generalization, federated/collaborative learning, algorithmic fairness, and multi-modal learning, it can be infeasible to make meaningful comparisons of model predictive performance across environments.
- Abstract（参考訳）: 現代のAIの応用には、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。
データの多様化は、AIシステムを前進させる新たな可能性をもたらすだけでなく、プライバシやセキュリティ、エクイティといった懸念が強まっているため、情報を環境間で共有できる範囲を制限している。
仮説空間上の選択対応としての学習アルゴリズムの新たな特徴に基づいて、この研究は、不均一環境における唯一の合理的学習アルゴリズムが、環境間の情報共有のない単一環境から一方的に学習する経験的リスク最小化(ERM)である、直観的かつ合理的な公理の観点から最小限の要件を提供する。
我々の (im)possibility の結果は、あらゆるアルゴリズムが集団知能(CI)を達成するために直面する基本的なトレードオフ、すなわち異種環境をまたいで学習する能力を強調している。
最終的には、異種環境における集合学習は本質的に困難である。なぜなら、アウト・オブ・ディストリビューションの一般化、フェデレーション/コラボレーション学習、アルゴリズムフェアネス、マルチモーダル学習といった機械学習の重要な領域において、環境間のモデル予測性能を有意義に比較することは不可能である。
関連論文リスト
- Advancing Deep Learning through Probability Engineering: A Pragmatic Paradigm for Modern AI [9.126527152752146]
本稿では,Deep Learningにおける確率分布を工学的アーティファクトとして扱う新しい概念であるProbability Engineeringを提案する。
既存の確率分布を洗練させ、その堅牢性、効率性、適応性、信頼性を向上させる新しい手法と制約を導入する。
ケーススタディは、大規模でデータ集約的で信頼性の高いAIシステムの多様性と進化する要件を満たすために、かつて静的オブジェクトとして扱われた確率分布をどのように設計するかを示す。
論文 参考訳（メタデータ） (2025-03-19T07:48:23Z) - Agential AI for Integrated Continual Learning, Deliberative Behavior, and Comprehensible Models [15.376349115976534]
本稿では,AIシステム,エージェントAI(AAI)の初期設計について述べる。
AAIのコアは、完全性、最小性、継続的な学習を保証する時間的ダイナミクスをモデル化する学習方法である。
簡易環境における予備実験は,AAIの有効性と可能性を示している。
論文 参考訳（メタデータ） (2025-01-28T13:09:08Z) - 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) - Open-world Machine Learning: A Review and New Outlooks [83.6401132743407]
本稿では,新たなオープンワールド機械学習パラダイムを包括的に紹介することを目的としている。
研究者がそれぞれの分野でより強力なAIシステムを構築するのを支援し、人工知能の開発を促進することを目的としている。
論文 参考訳（メタデータ） (2024-03-04T06:25:26Z) - 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。