論文の概要: Bias by Necessity: Impossibility Theorems for Sequential Processing with Convergent AI and Human Validation
- arxiv url: http://arxiv.org/abs/2605.08716v1
- Date: Sat, 09 May 2026 05:56:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.833337
- Title: Bias by Necessity: Impossibility Theorems for Sequential Processing with Convergent AI and Human Validation
- Title（参考訳）: 必要によるバイアス:収束AIによる逐次処理と人的検証のための不可能な理論
- Abstract要約: 非対称な注意蓄積から優先バイアスが生じることを証明している。
証明可能な情報境界を持つシーケンシャルコンディショニングからアンカーが出現する。
置換による正確なデバイアスは分解時間計算を必要とする。
- 参考スコア（独自算出の注目度）: 13.891522069967507
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Are certain cognitive biases mathematically inevitable consequences of sequential information processing? We prove that primacy effects, anchoring, and order-dependence are architecturally necessary in autoregressive language models due to causal masking constraints. Our three impossibility theorems establish: (1) primacy bias arises from asymmetric attention accumulation; (2) anchoring emerges from sequential conditioning with provable information bounds; and (3) exact debiasing by permutation marginalization requires factorial-time computation, with Monte Carlo approximation feasible at constant per-tolerance overhead. We validate these bounds across 12 frontier LLMs ($R^2 = 0.89$; $Δ$BIC $= 16.6$ vs. next-best alternative). We then derive quantitative predictions from the framework and test them in two pre-registered human experiments ($N = 464$ analyzed). Study 1 confirms anchor position modulates anchoring magnitude ($d = 0.52$, BF$_{10} = 847$). Study 2 shows working memory load amplifies primacy bias ($d = 0.41$, BF$_{10} = 156$), with WM capacity predicting bias reduction ($r = -.38$). These convergent findings reframe cognitive biases as resource-rational responses to sequential processing.
- Abstract（参考訳）: ある認知バイアスは、シーケンシャルな情報処理の数学的に避けられない結果をもたらすか?
因果マスキングの制約により,自己回帰言語モデルでは,プライマリー効果,アンカー効果,秩序依存性がアーキテクチャ上必要であることを示す。
以上の3つの不合理性定理は,(1)非対称な注意蓄積から予備性バイアスが生じること,(2)証明可能な情報境界を持つ逐次条件付けからアンカー化が生じること,(3)置換限界化による正確なデバイアス化には分解時間計算が必要であること,そしてモンテカルロ近似は許容時間当たりの一定のオーバーヘッドで実現可能であること,を証明している。
これらの境界は12辺 LLM (R^2 = 0.89$; $Δ$BIC $= 16.6$ vs. next-best alternative) で検証する。
次に、フレームワークから定量的な予測を導き、事前登録された2つの人間実験(N = 464$ Analysis)でそれらをテストします。
研究1はアンカー位置がアンカーの大きさを調節することを確認する(d = 0.52$, BF$_{10} = 847$)。
研究2では、ワーキングメモリ負荷がプライマリーバイアス(d = 0.41$, BF$_{10} = 156$)を増幅し、WM容量はバイアス低減(r = -.38$)を予測する。
これらの収束した発見は、認知バイアスを、シーケンシャルな処理に対するリソース・レーショナルな応答として再設定する。
関連論文リスト
- Observation Design for Certified Control Authority: Projection--Estimability Separation and Active-Face Equivalence [2.7954473524479275]
ゲートは認証可能なアクションのみを実行し、その観測がサポートするもののみを認証する。
本稿では,安全な行動の集合を最大化するために,どのように観測を設計すべきかを問う。
論文 参考訳（メタデータ） (2026-09-05T07:57:04Z) - AI-Assisted Discovery of Convex Relaxations via Dual Agents [56.60366723277675]
すべての許容関数に対して下界が成り立ち、より強い境界を与える凸緩和から従うことを示す。
理論は各エージェントを検証し、反例を検索し、報告されたすべての境界はインターバルにおける明示的な二重実現可能な点によって認証される。
論文 参考訳（メタデータ） (2026-06-30T06:10:25Z) - Unbiased and Biased Variance-Reduced Forward-Reflected-Backward Splitting Methods for Stochastic Composite Inclusions [3.6997773420183866]
本研究では,フォワード反射逆スプリッティング法(FRBS)のための新しい分散還元法を開発した。
ミニバッチのような偏見のない推定器とは異なり、偏見のある変種の開発は基本的な技術的課題に直面している。
ループレスSVRGやSAGAを利用する場合,$mathcalO(n2/3-2)$と$mathcalO(-10/3)$が最良であることを示す。
論文 参考訳（メタデータ） (2026-03-16T17:39:25Z) - Learning to Allocate Resources with Censored Feedback [37.26445474395888]
我々は、検閲されたフィードバックの下で、B$の予算をK$の腕に割り当てなければならないオンラインリソース割り当て問題について検討する。
非自明なパラメータ推定と信頼境界を利用する楽観的なアルゴリズムであるRA-UCBを提案する。
そして、実世界のデータセットの実験を通して理論結果を検証する。
論文 参考訳（メタデータ） (2026-02-06T10:04:54Z) - Unregularized Linear Convergence in Zero-Sum Game from Preference Feedback [50.89125374999765]
NLHFにおける最適乗算重み更新(mathtOMWU$)に対する最初の収束保証を提供する。
本分析では, 稀に発生する行動の確率が指数関数的に小さい値から指数関数的に増大する新たな限界収束挙動を同定する。
論文 参考訳（メタデータ） (2025-12-31T12:08:29Z) - LLMs are Bayesian, in Expectation, not in Realization [0.0]
大きな言語モデルはパラメータを更新せずに新しいタスクに適応する。
最近の経験的発見は根本的な矛盾を示しており、変圧器はマルティンゲールの性質を体系的に侵害している。
この違反は、臨界応用における不確実性定量化の基礎となる理論的基礎に挑戦する。
論文 参考訳（メタデータ） (2025-07-15T22:20:11Z) - Regression-Based Estimation of Causal Effects in the Presence of Selection Bias and Confounding [52.1068936424622]
治療が介入によって設定された場合、対象変数$Y$に対して、予測因果効果$E[Y|do(X)]$を推定する問題を考える。
選択バイアスや欠点のない設定では、$E[Y|do(X)] = E[Y|X]$ となる。
選択バイアスとコンバウンディングの両方を組み込んだフレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-26T13:43:37Z) - Computational-Statistical Tradeoffs at the Next-Token Prediction Barrier: Autoregressive and Imitation Learning under Misspecification [50.717692060500696]
対数損失を伴う次のトーケン予測は自己回帰シーケンスモデリングの基盤となる。
次トーケン予測は、適度な誤差増幅を表す$C=tilde O(H)$を達成するために堅牢にすることができる。
C=e(log H)1-Omega(1)$。
論文 参考訳（メタデータ） (2025-02-18T02:52:00Z) - Gaussian credible intervals in Bayesian nonparametric estimation of the unseen [7.54430260415628]
未確認種問題は、異なる種に属する個体の集団から、おそらく無限のサンプルを、ngeq1$と仮定する。
我々は,任意の$ngeq1$に対して,K_n,m$に対して大きな$m$信頼区間を導出する新しい手法を提案する。
論文 参考訳（メタデータ） (2025-01-27T12:48:05Z) - Beyond likelihood ratio bias: Nested multi-time-scale stochastic approximation for likelihood-free parameter estimation [49.78792404811239]
確率分析形式が不明なシミュレーションベースモデルにおける推論について検討する。
我々は、スコアを同時に追跡し、パラメータ更新を駆動する比率のないネスト型マルチタイムスケール近似(SA)手法を用いる。
我々のアルゴリズムは、オリジナルのバイアス$Obig(sqrtfrac1Nbig)$を排除し、収束率を$Obig(beta_k+sqrtfracalpha_kNbig)$から加速できることを示す。
論文 参考訳（メタデータ） (2024-11-20T02:46:15Z) - Mind the Gap: A Causal Perspective on Bias Amplification in Prediction & Decision-Making [58.06306331390586]
本稿では,閾値演算による予測値がS$変化の程度を測るマージン補数の概念を導入する。
適切な因果仮定の下では、予測スコア$S$に対する$X$の影響は、真の結果$Y$に対する$X$の影響に等しいことを示す。
論文 参考訳（メタデータ） (2024-05-24T11:22:19Z) - TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。
近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。
1)予測共分散は予測平均のランダム性を真に捉えているか?
その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
論文 参考訳（メタデータ） (2023-10-29T09:54:03Z)
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。