論文の概要: Decorrelation, Diversity, and Emergent Intelligence: The Isomorphism Between Social Insect Colonies and Ensemble Machine Learning

• arxiv url: http://arxiv.org/abs/2603.20328v2
• Date: Tue, 24 Mar 2026 14:17:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 15:07:29.983021
• Title: Decorrelation, Diversity, and Emergent Intelligence: The Isomorphism Between Social Insect Colonies and Ensemble Machine Learning
• Title（参考訳）: 退化・多様性・創発的知性:社会昆虫コロニーと機械学習の同型性
• Authors: Ernest Fokoué, Gregory Babbitt, Yuval Levental,
• Abstract要約: 社会昆虫コロニーとアンサンブル機械学習の手法は、それぞれ自然と計算における分散情報処理の最も成功した例の2つを表している。 我々は,アントコロニーの意思決定とランダムな森林学習が,テキストbfstochastic アンサンブルインテリジェンス(textbfstochastic angmble Intelligence)の共通形式の下で創発されることを実証する厳密な枠組みを開発する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Social insect colonies and ensemble machine learning methods represent two of the most successful examples of decentralized information processing in nature and computation respectively. Here we develop a rigorous mathematical framework demonstrating that ant colony decision-making and random forest learning are isomorphic under a common formalism of \textbf{stochastic ensemble intelligence}. We show that the mechanisms by which genetically identical ants achieve functional differentiation -- through stochastic response to local cues and positive feedback -- map precisely onto the bootstrap aggregation and random feature subsampling that decorrelate decision trees. Using tools from Bayesian inference, multi-armed bandit theory, and statistical learning theory, we prove that both systems implement identical variance reduction strategies through decorrelation of identical units. We derive explicit mappings between ant recruitment rates and tree weightings, pheromone trail reinforcement and out-of-bag error estimation, and quorum sensing and prediction averaging. This isomorphism suggests that collective intelligence, whether biological or artificial, emerges from a universal principle: \textbf{randomized identical agents + diversity-enforcing mechanisms $\rightarrow$ emergent optimality}.
• Abstract（参考訳）: 社会昆虫コロニーとアンサンブル機械学習の手法は、それぞれ自然と計算における分散情報処理の最も成功した例の2つを表している。 ここでは, アリコロニー決定とランダム森林学習が, 共通形式主義である「textbf{stochastic ensemble Intelligence}」の下で同型であることを実証する厳密な数学的枠組みを開発する。 遺伝的に同一のアリが、局所的な手がかりや肯定的なフィードバックに対する確率的な反応を通じて、機能的な分化を達成するメカニズムが、決定木を非相関するブートストラップ凝集とランダムな特徴サブサンプリングに正確にマッピングされていることを示す。 ベイズ推定,マルチアーム・バンディット理論,統計学習理論のツールを用いて,両系が同一単位のデコリレーションにより同一分散低減戦略を実装していることを証明した。 我々は,アリの採集率と樹木の重み付け,フェロモントレイルの強化,バッグ外誤差推定,およびクォーラムセンシングと予測平均化の明確なマッピングを導出した。 この同型性は、生物であれ人工であれ、集団知性は普遍的な原理から現れることを示唆している: \textbf{randomized same agent + diversity-enforcecing mechanism $\rightarrow$ emergent optimality}。

関連論文リスト

• The Hive Mind is a Single Reinforcement Learning Agent [7.794211366198159]
  本論文はミツバチの群集における巣狩りの集団決定モデルから導いたものである。 本研究は, 簡易かつ局所的な模倣に基づくルールに従って, 個々の蜂から生じる創発的分散認知($textithive mind$)が, 一つのオンライン強化学習(RL)エージェントであることを示す。 我々の分析は、認知に制限された有機体群が、より複雑で強化可能な実体と等価である可能性を示唆している。
  論文  参考訳（メタデータ） (2024-10-23T02:49:37Z)
• Evaluating the Robustness of Interpretability Methods through Explanation Invariance and Equivariance [72.50214227616728]
  解釈可能性法は、それらの説明が説明されたモデルを忠実に記述した場合にのみ有用である。 特定の対称性群の下で予測が不変であるニューラルネットワークを考える。
  論文  参考訳（メタデータ） (2023-04-13T17:59:03Z)
• Equivariant Representation Learning via Class-Pose Decomposition [17.032782230538388]
  データの対称性に同値な表現を学習するための一般的な方法を提案する。 コンポーネントは、それぞれ固有のデータクラスとポーズに意味的に対応します。 その結果,表現はデータの幾何を捉え,他の同変表現学習フレームワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-07-07T06:55:52Z)
• Causal Discovery in Heterogeneous Environments Under the Sparse Mechanism Shift Hypothesis [7.895866278697778]
  機械学習のアプローチは、一般に独立で同一に分散されたデータ(すなわち、d)の仮定に依存する。 実際、この仮定は環境間の分散シフトによってほとんど常に破られる。 そこで我々は,様々な経験的推定器に適用可能なスコアベースアプローチであるメカニズムシフトスコア(MSS)を提案する。
  論文  参考訳（メタデータ） (2022-06-04T15:39:30Z)
• Intersection Regularization for Extracting Semantic Attributes [72.53481390411173]
  本稿では,ネットワーク抽出した特徴が意味属性のセットと一致するように,教師付き分類の問題を考える。 例えば、鳥類のイメージを種に分類することを学ぶとき、動物学者が鳥類を分類するために使用する特徴の出現を観察したい。 本稿では,複数層パーセプトロン(MLP)と並列決定木を併用した,離散的なトップレベルアクティベーションを持つニューラルネットワークのトレーニングを提案する。
  論文  参考訳（メタデータ） (2021-03-22T14:32:44Z)
• General stochastic separation theorems with optimal bounds [68.8204255655161]
  分離性の現象が明らかになり、機械学習で人工知能(AI)システムのエラーを修正し、AI不安定性を分析するために使用された。 エラーやエラーのクラスタは、残りのデータから分離することができる。 AIシステムを修正する能力は、それに対する攻撃の可能性も開き、高次元性は、同じ分離性によって引き起こされる脆弱性を誘発する。
  論文  参考訳（メタデータ） (2020-10-11T13:12:41Z)
• Learning from Aggregate Observations [82.44304647051243]
  本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。 本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。 単純な極大解は様々な微分可能なモデルに適用できる。
  論文  参考訳（メタデータ） (2020-04-14T06:18:50Z)

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。