論文の概要: The Computational Foundations of Collective Intelligence

• arxiv url: http://arxiv.org/abs/2509.07999v1
• Date: Sat, 06 Sep 2025 16:02:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.189171
• Title: The Computational Foundations of Collective Intelligence
• Title（参考訳）: 集合知の計算基礎
• Authors: Charlie Pilgrim, Joe Morford, Elizabeth Warren, Mélisande Aellen, Christopher Krupenye, Richard P Mann, Dora Biro,
• Abstract要約: 我々は、集合的資源の利点が、よく知られた集合的知能の形式にどのように結びつくかを示す。 我々のフレームワークは分散推論における集合的能力に関する検証可能な予測も生成する。
• 参考スコア（独自算出の注目度）: 0.761278115791335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Why do collectives outperform individuals when solving some problems? Fundamentally, collectives have greater computational resources with more sensory information, more memory, more processing capacity, and more ways to act. While greater resources present opportunities, there are also challenges in coordination and cooperation inherent in collectives with distributed, modular structures. Despite these challenges, we show how collective resource advantages lead directly to well-known forms of collective intelligence including the wisdom of the crowd, collective sensing, division of labour, and cultural learning. Our framework also generates testable predictions about collective capabilities in distributed reasoning and context-dependent behavioural switching. Through case studies of animal navigation and decision-making, we demonstrate how collectives leverage their computational resources to solve problems not only more effectively than individuals, but by using qualitatively different problem-solving strategies.
• Abstract（参考訳）: なぜ集団は、いくつかの問題を解決する際に個人よりも優れているのか? 基本的に、集合体はより大きな計算資源を持ち、より多くの感覚情報、より多くのメモリ、より多くの処理能力、より多くの行動方法がある。 より大きなリソースがチャンスをもたらす一方で、分散されたモジュール構造を持つ集合体に固有の協調と協力にも課題がある。 これらの課題にもかかわらず、集団資源の優位性が、群衆の知恵、集団感覚、分業、文化学習など、よく知られた集合知の形式にどのようにつながるかを示す。 我々のフレームワークは、分散推論やコンテキスト依存の振る舞いスイッチングにおける集合的能力に関するテスト可能な予測も生成する。 動物ナビゲーションと意思決定のケーススタディを通じて、集団が計算資源をどのように活用して個人よりも効果的に問題を解決するかを実証し、質的に異なる問題解決戦略を用いて示す。

関連論文リスト

• Policy Search, Retrieval, and Composition via Task Similarity in Collaborative Agentic Systems [12.471774408499817]
  Agentic AIの目的は、自身の目標を設定し、変化に積極的に適応し、継続的な経験を通じて振る舞いを洗練するシステムを作ることだ。 最近の進歩は、複数の予期せぬタスクに直面している場合、エージェントは他のエージェントによって既に完全にあるいは部分的に学習されている機械学習の知識と再利用のポリシーを共有することの恩恵を受ける可能性があることを示唆している。 本研究は,エージェントが選択すべき知識,誰から,いつ,どのように,それを独自の政策に統合して,自身の学習を加速するかを検討する。
  論文  参考訳（メタデータ） (2025-06-05T20:38:11Z)
• Multi-agent cooperation through learning-aware policy gradients [53.63948041506278]
  利己的な個人はしばしば協力に失敗し、マルチエージェント学習の根本的な課題を提起する。 本稿では,学習型強化学習のための,偏見のない高導出性ポリシー勾配アルゴリズムを提案する。 我々は, 受刑者のジレンマから, 自己関心のある学習エージェントの間でどのように, いつ, 協力関係が生じるかの新たな説明を得た。
  論文  参考訳（メタデータ） (2024-10-24T10:48:42Z)
• Operational Collective Intelligence of Humans and Machines [7.8074313693407635]
  「集約的クラウドソース予測(ACF)を集団知能の運用を支援するメカニズムとして活用することを探る。」 この研究は、ACFがオペレーションの集合的知性を実現する鍵となる方法として、運用シナリオに対処できるかどうかを問うものである。
  論文  参考訳（メタデータ） (2024-02-16T22:45:09Z)
• Private Knowledge Sharing in Distributed Learning: A Survey [50.51431815732716]
  人工知能の台頭は多くの産業に革命をもたらし、社会の働き方を変えた。 異なるエンティティが分散または所有する学習プロセスにおいて、情報を活用することが不可欠である。 現代のデータ駆動サービスは、分散知識エンティティを結果に統合するために開発されています。
  論文  参考訳（メタデータ） (2024-02-08T07:18:23Z)
• Unleashing the Emergent Cognitive Synergy in Large Language Models: A Task-Solving Agent through Multi-Persona Self-Collaboration [116.09561564489799]
  Solo Performance Promptingは、複数のペルソナと多ターンの自己コラボレーションをすることで、単一のLCMを認知的シナジストに変換する。 認知シナジスト(英: Cognitive Synergist)は、複雑なタスクにおける問題解決を強化するために、複数の心の強みと知識を協調的に結合するインテリジェントエージェントである。 より詳細な分析により,LLMに複数の微粒なペルソナを割り当てることによって,単一あるいは固定数のペルソナに比べて問題解決能力が向上することが示された。
  論文  参考訳（メタデータ） (2023-07-11T14:45:19Z)
• Emergent collective intelligence from massive-agent cooperation and competition [19.75488604218965]
  大規模強化学習による人工知能の出現について検討する。 我々はLuxという大規模強化学習環境を提案する。この環境では、2つのチームの動的エージェントと大規模エージェントが限られたリソースを求めてスクランブルし、暗闇から戦う。
  論文  参考訳（メタデータ） (2023-01-04T13:23:12Z)
• Multiagent Deep Reinforcement Learning: Challenges and Directions Towards Human-Like Approaches [0.0]
  本稿では,最も一般的なマルチエージェント問題表現とその主な課題について述べる。 これらの課題に対処する5つの研究領域を特定します。 我々は,マルチエージェント強化学習が成功するためには,これらの課題を学際的アプローチで解決することを提案する。
  論文  参考訳（メタデータ） (2021-06-29T19:53:15Z)
• A game-theoretic analysis of networked system control for common-pool resource management using multi-agent reinforcement learning [54.55119659523629]
  マルチエージェント強化学習は近年,ネットワーク型システム制御へのアプローチとして大きな可能性を秘めている。 共通プールの資源は耕作可能な土地、淡水、湿地、野生生物、魚類資源、森林、大気である。
  論文  参考訳（メタデータ） (2020-10-15T14:12:26Z)

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。