論文の概要: Shared Nature, Unique Nurture: PRISM for Pluralistic Reasoning via In-context Structure Modeling

• arxiv url: http://arxiv.org/abs/2602.21317v1
• Date: Tue, 24 Feb 2026 19:38:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.586209
• Title: Shared Nature, Unique Nurture: PRISM for Pluralistic Reasoning via In-context Structure Modeling
• Title（参考訳）: 共有自然, ユニークな看護: 文脈内構造モデリングによる多元論的推論のためのPRISM
• Authors: Guancheng Tu, Shiyang Zhang, Tianyu Zhang, Yi Zhang, Diji Yang,
• Abstract要約: PRISMは、動的オンザフライ・エピステミックグラフで大規模言語モデルを拡張するモデルに依存しないシステムである。 3つのクリエイティビティベンチマークにおいて、PRISMは最先端のノベルティを達成し、分布の多様性を著しく拡大する。 以上の結果から,PRISMは標準LPMが誤診した長い尾の診断に成功していることが示された。
• 参考スコア（独自算出の注目度）: 11.987225062711692
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) are converging towards a singular Artificial Hivemind, where shared Nature (pre-training priors) result in a profound collapse of distributional diversity, limiting the distinct perspectives necessary for creative exploration and scientific discovery. To address this, we propose to equip models with inference-time Nurture (individualized epistemic trajectories) using Epistemic Evolution paradigm, progressing through explore, internalize, and express. We instantiate this via PRISM (Pluralistic Reasoning via In-context Structure Modeling), a model-agnostic system that augments LLM with dynamic On-the-fly Epistemic Graphs. On three creativity benchmarks, PRISM achieves state-of-the-art novelty and significantly expands distributional diversity. Moreover, we evaluate the real-world utility via a challenging rare-disease diagnosis benchmark. Results demonstrate that PRISM successfully uncovers correct long-tail diagnoses that standard LLM miss, confirming that its divergence stems from meaningful exploration rather than incoherent noise. Overall, this work establishes a new paradigm for Pluralistic AI, moving beyond monolithic consensus toward a diverse ecosystem of unique cognitive individuals capable of collective, multi-perspective discovery.
• Abstract（参考訳）: 大型言語モデル (LLM) は、特定の人工Hivemindに向かって収束しており、共有された自然(事前学習前の)は分布の多様性を著しく崩壊させ、創造的な探索と科学的発見に必要な異なる視点を制限する。 そこで我々は, エピステミック進化のパラダイムを応用し, 探索, 内在化, 表現を通じて, 推測時間ナーチャー(個別化されたエピステマティックトラジェクトリ)をモデルに組み込むことを提案する。 PRISM (Pluralistic Reasoning via In-context Structure Modeling)によりこれをインスタンス化する。 3つのクリエイティビティベンチマークにおいて、PRISMは最先端のノベルティを達成し、分布の多様性を著しく拡大する。 さらに,難易度診断ベンチマークを用いて実世界の実用性を評価する。 その結果、PRISMは標準LPMが見逃す正しい長い尾の診断に成功し、そのばらつきは不整合ノイズよりも有意義な探索によるものであることが確認された。 全体として、この研究は、多面的AIの新しいパラダイムを確立し、モノリシックなコンセンサスを超えて、集合的で多視点的な発見が可能な、ユニークな認知的個人からなる多様なエコシステムへと移行する。

関連論文リスト

• Generative Human-Object Interaction Detection via Differentiable Cognitive Steering of Multi-modal LLMs [85.69785384599827]
  人間と物体の相互作用(Human-object Interaction、HOI)の検出は、人と物体のペアとそれらの相互作用を局在させることを目的としている。 既存のメソッドはクローズドワールドの仮定の下で動作し、タスクを未定義の小さな動詞集合上の分類問題として扱う。 本稿では,閉集合分類タスクから開語彙生成問題へのHOI検出を再構成する新しい生成推論・ステアブル知覚フレームワークGRASP-HOを提案する。
  論文  参考訳（メタデータ） (2025-12-19T14:41:50Z)
• Uni-MMMU: A Massive Multi-discipline Multimodal Unified Benchmark [69.8473923357969]
  統一マルチモーダルモデルは、視覚的理解と生成を共同で行うことを目的としているが、現在のベンチマークでは、その真の統合を検査することはめったにない。 提案するUni-MMMUは、8つの推論中心領域にまたがる生成と理解の双方向の相乗効果を拡大する総合的なベンチマークである。
  論文  参考訳（メタデータ） (2025-10-15T17:10:35Z)
• From Semantics, Scene to Instance-awareness: Distilling Foundation Model for Open-vocabulary Situation Recognition [14.16399307533106]
  マルチモーダル大言語モデル(MLLM)は、強いゼロショット能力を示すが、複雑な接地状況認識(GSR)と競合する。 我々は,教師MLLMから小さなGSRモデルへの知識の伝達を利用して,その一般化とゼロショット能力を向上させる。 基礎モデルから豊富なマルチモーダル知識を蒸留する新しいフレームワークであるMIPD(Multimodal Interactive Prompt Distillation)を提案する。
  論文  参考訳（メタデータ） (2025-07-19T16:29:02Z)
• Integrating Dynamical Systems Learning with Foundational Models: A Meta-Evolutionary AI Framework for Clinical Trials [0.0]
  NetraAIは、小さな臨床試験データセットの安定性と解釈性のために設計されたシステムベースのフレームワークである。 我々はNetraAIの基礎を定式化し、収縮マッピング、情報幾何学、進化的アルゴリズムを組み合わせて予測的患者コホートを同定する。 信頼できる説明可能な知識を優先することによって、NetraAIは、臨床発見を加速するために、適応的で自己反射的なAIの新しい世代を提供する。
  論文  参考訳（メタデータ） (2025-05-25T03:34:33Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• 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。