論文の概要: A Statistical Framework for Algorithmic Collective Action with Multiple Collectives

• arxiv url: http://arxiv.org/abs/2605.06749v1
• Date: Thu, 07 May 2026 15:45:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.509901
• Title: A Statistical Framework for Algorithmic Collective Action with Multiple Collectives
• Title（参考訳）: 複数の集団を用いたアルゴリズム的集団行動の統計的枠組み
• Authors: Claudio Battiloro, Pietro Greiner, Dario Rancati, Bret Nestor, Oumaima Amezgar, Francesca Dominici,
• Abstract要約: 我々は,複数の集団が同一システムに作用するアルゴリズム的集団行動(ACA)に関する,最初の包括的な統計フレームワークを提案する。 我々は、集団の規模と目標の整合性の役割と相互作用を考慮して、集団の成功に関する定量的な統計的境界を提供する。 スマートシティにおける気候適応のための介入にインスパイアされたシミュレーションの枠組みを数値的に説明する。
• 参考スコア（独自算出の注目度）: 10.953000365787508
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As learning systems increasingly shape everyday decisions, Algorithmic Collective Action (ACA), i.e., users coordinating changes to shared data to steer model behavior, offers a complement to regulator-side policy and corporate model design. Real-world collective actions have traditionally been decentralized and fragmented into multiple collectives, despite sharing overarching objectives, with each collective differing in size, strategy, and actionable goals. However, most of the ACA literature focuses on single collective settings. To address this, we propose the first comprehensive statistical framework for ACA with multiple collectives acting on the same system. In particular, we focus on collective action in classification, studying how multiple collectives can influence a classifier's behavior. We provide quantitative statistical bounds on the success of the collectives, considering the role and the interplay of the collectives' sizes and the alignment of their goals. We make such bounds computable by each collective with only partial knowledge of other collectives' sizes and strategies. Finally, we numerically illustrate our framework on simulations inspired by interventions for climate adaptation in smart cities, demonstrating the usefulness of our bounds.
• Abstract（参考訳）: 学習システムが日々の意思決定をますます形作るにつれて、アルゴリズム的集団行動(ACA)、すなわち、共有データの変更を調整し、モデル行動を管理することによって、規制側ポリシーとコーポレートモデル設計を補完する。 現実世界の集団行動は伝統的に分散化され、複数の集団に分断されてきた。 しかし、ACAの文献の多くは単一の集合的な設定に焦点を当てている。 そこで本研究では,複数の集団が同一システムに作用するACAの総合統計フレームワークを提案する。 特に,分類における集団行動に着目し,複数の集団が分類者の行動にどのように影響を与えるかを研究する。 我々は、集団の規模と目標の整合性の役割と相互作用を考慮して、集団の成功に関する定量的な統計的境界を提供する。 我々は、各集団が計算可能な境界を、他の集団の規模と戦略の部分的知識のみに設定する。 最後に、スマートシティにおける気候適応のための介入にインスパイアされたシミュレーションの枠組みを数値的に説明し、我々の限界の有用性を実証する。

関連論文リスト

• TeamHOI: Learning a Unified Policy for Cooperative Human-Object Interactions with Any Team Size [54.0714652192002]
  物理に基づくヒューマノイド制御は、現実的でハイパフォーマンスな単一エージェントの動作を可能にするために顕著な進歩を遂げた。 我々は,複数の協力エージェント間で協調的なHOIを処理するための,単一の分散政策を実現するためのフレームワークであるTeamHOIを提案する。
  論文  参考訳（メタデータ） (2026-03-09T05:52:13Z)
• Decentralized Dynamic Cooperation of Personalized Models for Federated Continual Learning [50.56947843548702]
  フェデレーション型連続学習のための分散動的協調フレームワークを提案する。 顧客は、新しい知識の獲得と事前学習の維持のバランスをとるために、動的な協調学習連合を確立する。 また、協調的・動的平衡を達成するために、マージブロックアルゴリズムと動的協調的進化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-09-28T06:53:23Z)
• Algorithmic Collective Action with Multiple Collectives [10.953526453057579]
  Algorithmic Collective Action (ACA) は、共有データフェーザへのコーディネートされた変更を規制側ポリシーとファーム側モデル設計を補完する。 ACAの文献の多くは単一の集合的な設定に焦点を当てていた。 我々は,複数の集団が同一システムに作用するACAに関する最初の理論的枠組みを提示する。
  論文  参考訳（メタデータ） (2025-08-26T16:00:08Z)
• Algorithmic Collective Action with Two Collectives [18.045224609703897]
  2つ以上の集団で集団行動を研究するための第1の枠組みを紹介する。 目的,戦略,規模,均一性が集団の有効性に与える影響について検討する。
  論文  参考訳（メタデータ） (2025-04-30T21:39:06Z)
• Achieving Collective Welfare in Multi-Agent Reinforcement Learning via Suggestion Sharing [12.167248367980449]
  自己利益と集団福祉の対立は、しばしば共有福祉を達成する努力を妨げる。 この問題に対処する新しいマルチエージェント強化学習法(MARL)を提案する。 報酬、価値、ポリシーを共有する従来の協調型MARLソリューションとは異なり、エージェントがアクション提案を交換する新しいMARLアプローチを提案する。
  論文  参考訳（メタデータ） (2024-12-16T19:44:44Z)
• Causal Coordinated Concurrent Reinforcement Learning [8.654978787096807]
  本稿では,データ共有と協調探索のための新しいアルゴリズムフレームワークを提案する。 本アルゴリズムは,独立規制による個人差分制御モデルパラメータの抽出において,付加雑音モデル-混合モデル(ANM-MM)という形で因果推論アルゴリズムを利用する。 抽出したモデルパラメータの類似度に基づく新しいデータ共有方式を提案し, 自己回帰, 振り子, カートポールのスイングアップタスクのセットにおいて, 優れた学習速度を示す。
  論文  参考訳（メタデータ） (2024-01-31T17:20:28Z)
• Universal Semi-supervised Model Adaptation via Collaborative Consistency Training [92.52892510093037]
  我々は、Universal Semi-supervised Model Adaptation (USMA)と呼ばれる現実的で挑戦的なドメイン適応問題を導入する。 本稿では,2つのモデル間の予測整合性を規則化する協調的整合性トレーニングフレームワークを提案する。 実験により,いくつかのベンチマークデータセットにおける本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-07-07T08:19:40Z)
• An attention model for the formation of collectives in real-world domains [78.1526027174326]
  本研究では,サステナブル開発目標に沿った実世界のアプリケーションにエージェントの集合を形成することの問題点を考察する。 本稿では,注目モデルと整数線形プログラムの新たな組み合わせに基づく集合形成のための一般的な手法を提案する。
  論文  参考訳（メタデータ） (2022-04-30T09:15:36Z)
• You Never Cluster Alone [150.94921340034688]
  我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。 分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。 代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
  論文  参考訳（メタデータ） (2021-06-03T14:59:59Z)

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。