論文の概要: Distributed and Decentralised Training: Technical Governance Challenges in a Shifting AI Landscape

• arxiv url: http://arxiv.org/abs/2507.07765v1
• Date: Thu, 10 Jul 2025 13:43:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.422129
• Title: Distributed and Decentralised Training: Technical Governance Challenges in a Shifting AI Landscape
• Title（参考訳）: 分散した分散トレーニング - シフトするAIランドスケープにおける技術的ガバナンスの課題
• Authors: Jakub Kryś, Yashvardhan Sharma, Janet Egan,
• Abstract要約: 低コミュニケーショントレーニングアルゴリズムは、集中型モデルトレーニングから、複数のクラスタに分散するか、コミュニティ主導のコントリビューションを通じて分散化されるセットアップを計算するためのシフトを可能にしている。 本稿では,これら2つのシナリオ – 分散トレーニングと分散トレーニング – を区別する。 我々は、計算構造化のリスクの増加、能力の増殖、検出可能性とシャットダウン可能性の侵食を通じて、それらが技術的AIガバナンスに与える影響について論じる。
• 参考スコア（独自算出の注目度）: 1.6590638305972631
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advances in low-communication training algorithms are enabling a shift from centralised model training to compute setups that are either distributed across multiple clusters or decentralised via community-driven contributions. This paper distinguishes these two scenarios - distributed and decentralised training - which are little understood and often conflated in policy discourse. We discuss how they could impact technical AI governance through an increased risk of compute structuring, capability proliferation, and the erosion of detectability and shutdownability. While these trends foreshadow a possible new paradigm that could challenge key assumptions of compute governance, we emphasise that certain policy levers, like export controls, remain relevant. We also acknowledge potential benefits of decentralised AI, including privacy-preserving training runs that could unlock access to more data, and mitigating harmful power concentration. Our goal is to support more precise policymaking around compute, capability proliferation, and decentralised AI development.
• Abstract（参考訳）: 低コミュニケーショントレーニングアルゴリズムの進歩は、集中型モデルトレーニングから、複数のクラスタに分散するか、コミュニティ主導のコントリビューションを通じて分散化されるセットアップの計算への移行を可能にしている。 本稿では,これら2つのシナリオ – 分散トレーニングと分散トレーニング – を区別する。 我々は、計算構造化のリスクの増加、能力の増殖、検出可能性とシャットダウン可能性の侵食を通じて、それらが技術的AIガバナンスに与える影響について論じる。 これらの傾向は、コンピューティングガバナンスの重要な前提に挑戦する可能性のある、新たなパラダイムを先導するものですが、輸出管理のような特定の政策レバーは、引き続き関連性があることを強調します。 私たちはまた、より多くのデータへのアクセスをアンロックできるプライバシー保護トレーニングの実行や、有害な電力集中の軽減など、分散AIの潜在的なメリットを認めています。 私たちの目標は、計算、能力拡大、分散AI開発に関するより正確なポリシー作成をサポートすることです。

関連論文リスト

• Reducing Variance Caused by Communication in Decentralized Multi-agent Deep Reinforcement Learning [2.1461517065527445]
  政策グラデーションにおけるコミュニケーションによって引き起こされる分散について検討する。 トレーニング中の方針勾配のばらつきを低減するためのモジュラー手法を提案する。 その結果,提案手法により分散MADRL通信方式が拡張された。
  論文  参考訳（メタデータ） (2025-02-10T08:53:13Z)
• Towards Responsible Governing AI Proliferation [0.0]
  論文では、小規模で分散化されたオープンソースのAIモデルの台頭を期待するProliferation'パラダイムを紹介している。 これらの発展は、可能性があり、利益と新たなリスクの両方をもたらす可能性が高いことを示唆している。
  論文  参考訳（メタデータ） (2024-12-18T13:10:35Z)
• Protocol Learning, Decentralized Frontier Risk and the No-Off Problem [56.74434512241989]
  私たちは第3のパラダイムであるプロトコル学習(Protocol Learning)を特定します。 このアプローチは、単一の集中型エンティティよりも桁違いに多くの計算資源を集約する可能性がある。 また、不均一で信頼性の低いノード、悪意のある参加者、インセンティブを維持するために抽出不可能なモデルの必要性、複雑なガバナンスのダイナミクスなど、新しい課題も導入されている。
  論文  参考訳（メタデータ） (2024-12-10T19:53:50Z)
• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [94.2860766709971]
  統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。 我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
  論文  参考訳（メタデータ） (2024-04-04T06:24:11Z)
• Computing Power and the Governance of Artificial Intelligence [51.967584623262674]
  政府や企業は、AIを管理する手段として計算を活用し始めている。 計算ベースのポリシーと技術は、これらの領域を補助する可能性があるが、実装の準備ができている点で大きなバリエーションがある。 プライバシーや経済的影響、権力の中央集権化といった分野において、ガバナンスの計算方法の素早い、あるいは不十分なアプローチは重大なリスクを伴います。
  論文  参考訳（メタデータ） (2024-02-13T21:10:21Z)
• DePAint: A Decentralized Safe Multi-Agent Reinforcement Learning Algorithm considering Peak and Average Constraints [1.1549572298362787]
  本稿では,この問題を解決するために,モーメントに基づく分散勾配法DePaintを提案する。 これは、ピーク制約と平均制約の両方を考慮した、プライバシ保存で完全に分散化されたマルチエージェント強化学習アルゴリズムとしては初めてのものである。
  論文  参考訳（メタデータ） (2023-10-22T16:36:03Z)
• Networked Communication for Decentralised Agents in Mean-Field Games [59.01527054553122]
  平均フィールドゲームフレームワークにネットワーク通信を導入する。 当社のアーキテクチャは、中央集権型と独立した学習ケースの双方で保証されていることを証明しています。 ネットワーク化されたアプローチは、障害の更新や人口規模の変化に対する堅牢性という点において、両方の選択肢に対して大きなメリットがあることが示されています。
  論文  参考訳（メタデータ） (2023-06-05T10:45:39Z)
• Decentralized MCTS via Learned Teammate Models [89.24858306636816]
  本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。 深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
  論文  参考訳（メタデータ） (2020-03-19T13:10:20Z)

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。