論文の概要: Flexible Swarm Learning May Outpace Foundation Models in Essential Tasks

• arxiv url: http://arxiv.org/abs/2510.06349v1
• Date: Tue, 07 Oct 2025 18:10:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.136151
• Title: Flexible Swarm Learning May Outpace Foundation Models in Essential Tasks
• Title（参考訳）: フレキシブルなSwarm学習は、基本的なタスクにおいて基礎モデルを上回る可能性がある
• Authors: Moein E. Samadi, Andreas Schuppert,
• Abstract要約: ファウンデーションモデルはAIを急速に進歩させ、彼らの決定が現実世界のドメインにおける人間の戦略を上回るかどうかという疑問を提起している。 一般的な課題は、複雑なシステムを動的環境に適応させることである。 モノリシックな基盤モデルは、それを克服する上で概念的な限界に直面している、と私たちは主張する。 対話型小型エージェントネットワーク(SAN)の分散アーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models have rapidly advanced AI, raising the question of whether their decisions will ultimately surpass human strategies in real-world domains. The exponential, and possibly super-exponential, pace of AI development makes such analysis elusive. Nevertheless, many application areas that matter for daily life and society show only modest gains so far; a prominent case is diagnosing and treating dynamically evolving disease in intensive care. The common challenge is adapting complex systems to dynamic environments. Effective strategies must optimize outcomes in systems composed of strongly interacting functions while avoiding shared side effects; this requires reliable, self-adaptive modeling. These tasks align with building digital twins of highly complex systems whose mechanisms are not fully or quantitatively understood. It is therefore essential to develop methods for self-adapting AI models with minimal data and limited mechanistic knowledge. As this challenge extends beyond medicine, AI should demonstrate clear superiority in these settings before assuming broader decision-making roles. We identify the curse of dimensionality as a fundamental barrier to efficient self-adaptation and argue that monolithic foundation models face conceptual limits in overcoming it. As an alternative, we propose a decentralized architecture of interacting small agent networks (SANs). We focus on agents representing the specialized substructure of the system, where each agent covers only a subset of the full system functions. Drawing on mathematical results on the learning behavior of SANs and evidence from existing applications, we argue that swarm-learning in diverse swarms can enable self-adaptive SANs to deliver superior decision-making in dynamic environments compared with monolithic foundation models, though at the cost of reduced reproducibility in detail.
• Abstract（参考訳）: ファンデーションモデルはAIを急速に進歩させ、彼らの決定が現実のドメインにおける人間の戦略を最終的に上回るかどうかという疑問を提起している。 指数関数的で、おそらく超指数的なAI開発ペースは、そのような分析を誘発する。 それにもかかわらず、日常生活や社会にとって重要な応用領域は、これまでのところわずかに伸びているだけであり、顕著な例は集中治療における動的に進行する疾患の診断と治療である。 一般的な課題は、複雑なシステムを動的環境に適応させることである。 効果的な戦略は、強い相互作用を持つ関数で構成されたシステムの結果を最適化し、共有副作用を避けなければならない。 これらのタスクは、メカニズムが完全にあるいは定量的に理解されていない非常に複雑なシステムのデジタルツインの構築と一致している。 したがって、最小限のデータと限られた機械的知識を持つ自己適応型AIモデルを開発することが不可欠である。 この課題が医学を超えて広がるにつれ、AIはより広範な意思決定の役割を想定する前に、これらの設定において明確な優位性を示すべきである。 我々は、次元の呪いを効率的な自己適応の基本的な障壁とみなし、モノリシック基盤モデルはそれを克服する上で概念的な限界に直面していると主張する。 代替として、小さなエージェントネットワーク(SAN)を相互作用する分散アーキテクチャを提案する。 各エージェントがシステム機能のサブセットのみをカバーしているシステムの特殊サブ構造を表現するエージェントに焦点をあてる。 SANの学習行動に関する数学的結果と既存の応用の証拠に基づいて、多様なSwarmにおけるSwarm-learningにより、モノリシック基盤モデルと比較して、動的環境における自己適応型SANの優れた意思決定が可能になると論じる。

関連論文リスト

• Neuro-Symbolic Agents with Modal Logic for Autonomous Diagnostics [0.3437656066916039]
  エージェント推論の構造、忠実性、論理的一貫性のスケーリングは、AI研究の重要かつ過小評価されている次元である、と我々は主張する。 本稿では,個々のエージェントの信念状態がKripkeモデルとして正式に表現される,ニューロシンボリックなマルチエージェントアーキテクチャを提案する。 LMの仮説生成を積極的に導く制約を示し、物理的あるいは論理的に不可能な結論に達するのを効果的に阻止する。
  論文  参考訳（メタデータ） (2025-09-15T14:03:06Z)
• A Comprehensive Survey of Self-Evolving AI Agents: A New Paradigm Bridging Foundation Models and Lifelong Agentic Systems [53.37728204835912]
  既存のAIシステムは、デプロイ後も静的な手作業による構成に依存している。 近年,インタラクションデータと環境フィードバックに基づいてエージェントシステムを自動拡張するエージェント進化手法が研究されている。 この調査は、自己進化型AIエージェントの体系的な理解を研究者や実践者に提供することを目的としている。
  論文  参考訳（メタデータ） (2025-08-10T16:07:32Z)
• Neural Brain: A Neuroscience-inspired Framework for Embodied Agents [78.61382193420914]
  大規模な言語モデルのような現在のAIシステムは、いまだに解体され続けており、物理的に世界と関わりが持てない。 この課題の核心は、人間のような適応性を持つエンボディエージェントを駆動するために設計された中枢知能システムであるNeural Brain(ニューラル・ブレイン)の概念である。 本稿では,2つの基本的な課題に対処する,エンボディエージェントのニューラルブレインの統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-05-12T15:05:34Z)
• Artificial Behavior Intelligence: Technology, Challenges, and Future Directions [1.5237607855633524]
  本稿では,ABI(Artificial Behavior Intelligence)の技術的枠組みを定義する。 ABIは、人間の姿勢、表情、感情、行動シーケンス、文脈的手がかりを包括的に分析し、解釈する。 ポーズ推定、顔と感情の認識、シーケンシャルな行動分析、文脈認識モデリングなど、ABIの本質的なコンポーネントについて詳述する。
  論文  参考訳（メタデータ） (2025-05-06T08:45:44Z)
• Advances and Challenges in Foundation Agents: From Brain-Inspired Intelligence to Evolutionary, Collaborative, and Safe Systems [132.77459963706437]
  この本は、モジュール化された脳に触発されたアーキテクチャの中で、インテリジェントなエージェントをフレーミングする、包括的な概要を提供する。 自己向上と適応的な進化のメカニズムを探求し、エージェントが自律的に能力を洗練する方法を探求する。 また、エージェントの相互作用、協力、社会構造から生じる集合的知性についても調べる。
  論文  参考訳（メタデータ） (2025-03-31T18:00:29Z)
• The Society of HiveMind: Multi-Agent Optimization of Foundation Model Swarms to Unlock the Potential of Collective Intelligence [6.322831694506287]
  複数のAIファンデーションモデル間のインタラクションをオーケストレーションするフレームワークを開発する。 このフレームワークは、主に現実世界の知識を必要とするタスクに対して、無視可能なメリットを提供する。 一方、我々は、集中的な論理的推論を必要とするタスクの大幅な改善について言及する。
  論文  参考訳（メタデータ） (2025-03-07T14:45:03Z)
• 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)
• 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)

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。