論文の概要: From Competition to Collaboration: Designing Sustainable Mechanisms Between LLMs and Online Forums

• arxiv url: http://arxiv.org/abs/2602.04572v1
• Date: Wed, 04 Feb 2026 13:58:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.556824
• Title: From Competition to Collaboration: Designing Sustainable Mechanisms Between LLMs and Online Forums
• Title（参考訳）: 競争からコラボレーションへ:LLMとオンラインフォーラムの持続可能なメカニズム設計
• Authors: Niv Fono, Yftah Ziser, Omer Ben-Porat,
• Abstract要約: 我々は,GenAIシステムが質問をフォーラムに提案し,そのいくつかを公開できるシーケンシャルな相互作用の枠組みを提案する。 当社の枠組みは、非通貨交換、非対称情報、インセンティブの不一致など、このような協力の難しさを捉えている。 この結果から,AIシステムと人的知識プラットフォーム間の効果的な知識共有を支援する,持続可能なコラボレーションの可能性を強調した。
• 参考スコア（独自算出の注目度）: 11.028200099947107
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While Generative AI (GenAI) systems draw users away from (Q&A) forums, they also depend on the very data those forums produce to improve their performance. Addressing this paradox, we propose a framework of sequential interaction, in which a GenAI system proposes questions to a forum that can publish some of them. Our framework captures several intricacies of such a collaboration, including non-monetary exchanges, asymmetric information, and incentive misalignment. We bring the framework to life through comprehensive, data-driven simulations using real Stack Exchange data and commonly used LLMs. We demonstrate the incentive misalignment empirically, yet show that players can achieve roughly half of the utility in an ideal full-information scenario. Our results highlight the potential for sustainable collaboration that preserves effective knowledge sharing between AI systems and human knowledge platforms.
• Abstract（参考訳）: Generative AI(GenAI)システムは、ユーザを(Q&A)フォーラムから遠ざける一方で、フォーラムが生み出すデータにも依存する。 このパラドックスに対処するため,GenAIシステムでは,そのいくつかを公開可能なフォーラムに質問を提示する,シーケンシャルなインタラクションの枠組みを提案する。 当社の枠組みは、非通貨交換、非対称情報、インセンティブの不一致など、このような協力の難しさを捉えている。 私たちは、実際のStack Exchangeデータと一般的に使用されるLLMを使用して、包括的なデータ駆動シミュレーションを通じて、このフレームワークを生かします。 インセンティブのミスアライメントを実証的に実証するが、プレイヤーは理想的なフルインフォームのシナリオでほぼ半分のユーティリティを実現できることを示す。 この結果から,AIシステムと人的知識プラットフォーム間の効果的な知識共有を支援する,持続可能なコラボレーションの可能性を強調した。

関連論文リスト

• Conscious Data Contribution via Community-Driven Chain-of-Thought Distillation [4.275696286826178]
  LLMにおけるデータポータビリティとユーザ自律性に関する疑問を「理性」という文脈で考察する。 利用可能なモデルから低ユーティリティを受信したコミュニティが、自分たちの共有した知識を、目標に沿った代替モデルに集約し、蒸留する方法を示します。
  論文  参考訳（メタデータ） (2025-12-20T02:17:18Z)
• Graphs Meet AI Agents: Taxonomy, Progress, and Future Opportunities [117.49715661395294]
  データ構造化は、複雑で非組織的なデータをよく構造化された形式に変換することで、有望な役割を果たす。 この調査では、グラフがAIエージェントにどのように権限を与えるかを、初めて体系的にレビューする。
  論文  参考訳（メタデータ） (2025-06-22T12:59:12Z)
• PersonalAI: A Systematic Comparison of Knowledge Graph Storage and Retrieval Approaches for Personalized LLM agents [15.524189150821147]
  大規模言語モデル (LLM) とRetrieval-Augmented Generation (RAG) の組み合わせは、複雑な長期的相互作用においてスケールできない。 LLM自体によって自動的に構築・更新される知識グラフに基づくフレキシブルな外部メモリフレームワークを提案する。 AriGraphアーキテクチャに基づいて、標準エッジと2種類のハイパーエッジの両方をサポートする新しいハイブリッドグラフ設計を導入する。 本稿では,TriviaQA,HotpotQA,DiaASQ-demonstratingの3つのベンチマークを用いて,メモリと検索の異なる構成でタスクに応じて最適な性能が得られることを示す。
  論文  参考訳（メタデータ） (2025-06-20T13:52:15Z)
• Evaluations at Work: Measuring the Capabilities of GenAI in Use [28.124088786766965]
  現在のAIベンチマークは、人間とAIのコラボレーションの混乱したマルチターンの性質を見逃している。 実世界のタスクを相互依存サブタスクに分解する評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-15T23:06:23Z)
• A Hashgraph-Inspired Consensus Mechanism for Reliable Multi-Model Reasoning [0.0]
  大規模言語モデル(LLM)からの一貫性のない出力と幻覚は、信頼できるAIシステムにとって大きな障害となる。 本稿では,分散台帳技術に触発された新たなコンセンサス機構を提案する。
  論文  参考訳（メタデータ） (2025-05-06T14:05:12Z)
• NativE: Multi-modal Knowledge Graph Completion in the Wild [51.80447197290866]
  本研究では,MMKGCを実現するための包括的フレームワークNativEを提案する。 NativEは、任意のモダリティに対して適応的な融合を可能にするリレーショナル誘導デュアルアダプティブフュージョンモジュールを提案する。 提案手法を評価するために,5つのデータセットを用いたWildKGCという新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-03-28T03:04:00Z)
• Combating Exacerbated Heterogeneity for Robust Models in Federated Learning [91.88122934924435]
  対人訓練と連合学習の組み合わせは、望ましくない頑丈さの劣化につながる可能性がある。 我々は、Slack Federated Adversarial Training (SFAT)と呼ばれる新しいフレームワークを提案する。 各種ベンチマークおよび実世界のデータセットに対するSFATの合理性と有効性を検証する。
  論文  参考訳（メタデータ） (2023-03-01T06:16:15Z)
• Data-centric AI: Perspectives and Challenges [51.70828802140165]
  データ中心AI(DCAI)は、モデル進歩からデータ品質と信頼性の確保への根本的なシフトを提唱している。 データ開発、推論データ開発、データメンテナンスの3つの一般的なミッションをまとめます。
  論文  参考訳（メタデータ） (2023-01-12T05:28:59Z)
• Adversarial Representation Sharing: A Quantitative and Secure Collaborative Learning Framework [3.759936323189418]
  コミュニケーションのオーバーヘッドが低く,タスク依存度が低いため,共同学習において表現学習には独特なアドバンテージがあることがわかった。 ARSは、ユーザがモデルを訓練するためにデータの表現を共有する協調学習フレームワークである。 我々は,本機構がモデル逆攻撃に対して有効であることを実証し,プライバシとユーティリティのバランスを実現する。
  論文  参考訳（メタデータ） (2022-03-27T13:29:15Z)

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。