論文の概要: Emergent Collaborative Deliberation in Multi-Model AI Systems: A BFT-Derived Protocol for Epistemic Synthesis

• arxiv url: http://arxiv.org/abs/2606.00005v1
• Date: Thu, 26 Mar 2026 20:38:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.561451
• Title: Emergent Collaborative Deliberation in Multi-Model AI Systems: A BFT-Derived Protocol for Epistemic Synthesis
• Title（参考訳）: マルチモデルAIシステムにおける創発的協調検討: てんかん合成のためのBFT-Derivedプロトコル
• Abstract要約: 本稿では,ビザンチンフォールトトレランスに基づく構造化多モデルAI検討のためのコンシリウムプロトコルを提案する。 提案プロトコルは,モデル間不一致を誤りではなく信号として扱うことを示す。 我々は、独立した検証を可能にするために、MITライセンス下でプロトコル仕様をリリースする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present the Consilium Protocol, a Byzantine Fault Tolerance-derived architecture for structured multi-model AI deliberation that treats inter-model disagreement as epistemic signal rather than error. The protocol assigns engineered cognitive personas to language models -- separating what a model is from how it reasons -- and introduces an In-Sample/Out-of-Sample validation framework adapted from quantitative finance to distinguish training-data consensus from empirically grounded conclusions. Across 1,478 deliberation sessions spanning 32 topics in 10 domain categories, we demonstrate that (1) the cognitive persona, not the underlying model, determines epistemic behavior: free edge-inference models costing 0.0002 USD per batch produced comparable analytical output to frontier models costing 10.69 USD; (2) RLHF alignment training creates measurable, domain-specific epistemic blind spots -- contested policy topics exhibit 12.3 percentage points less adversarial challenge than settled science topics, and AI safety topics show asymmetric bias ($Δ$=11.6%) where models challenge claims that AI is dangerous far more vigorously than claims that AI risk is overstated; (3) the protocol exhibits no directional bias of its own (immigration $Δ$=2.3%, renewables $Δ$=1.2%); and (4) out-of-sample evidence retrieval validated 239 claims with 100% evidence retrieval and surfaced 167 blind-spot discoveries invisible to training-data deliberation. Run-to-run reproducibility across randomized model$\times$persona assignments averages $\pm$2.2% standard deviation. Total cost for the complete battery including all overhead: 217 USD. We release the protocol specification under MIT license to enable independent verification.
• Abstract（参考訳）: 本稿では, モデル間不一致を誤りではなくてててんかん信号として扱う, 構造的マルチモデルAI検討のための, ビザンチンフォールトトレランスに基づくアーキテクチャであるConsilium Protocolを提案する。 このプロトコルは、エンジニアリングされた認知的ペルソナを言語モデルに割り当てる -- モデルと理由を区別する -- とともに、定量的ファイナンスから適応したIn-Sample/Out-of-Sampleバリデーションフレームワークを導入し、トレーニングデータのコンセンサスと経験的に根ざした結論を区別する。 フリーエッジ推論モデル 0.0002 USD 1バッチ当たりの分析出力をフロンティアモデルに匹敵する10.69 USD (2) RLHFアライメントトレーニングは、測定可能な、ドメイン固有の認識的盲点を生み出す -- コンテストされた政策トピックは、落ち着いた科学トピックよりも12.3ポイント低い敵意的課題を示し、AI安全トピックは、AIが過大なリスクを主張するよりも、AIが危険なものであると主張するモデルに挑戦する($1.6%)。 ランダム化されたモデルに対する実行時の再現性$\times$personaの割り当ての平均値は$\pm$2.2%の標準偏差である。 すべてのオーバーヘッドを含む全バッテリーの総コスト:217USD。 我々は、独立した検証を可能にするために、MITライセンス下でプロトコル仕様をリリースする。

関連論文リスト

• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [66.44527094471619]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• Marginal Fidelity Does Not Establish User Simulation in Demographic Synthetic Survey Panels: Response Contracts, Support Collapse and Conditioning Failure [51.736723807086385]
  人口密着協定は、個別のシミュレーションの証拠ではなく、エスカレーション契約の証拠であり、シミュレーションされた回答者なしで得られる推定値である。 9つのアライメントされたモデルバッテリペアでは、非個人個体数のクエリの平均は6.27 MAE対12.39であり、9つの比較すべてで勝利する。
  論文  参考訳（メタデータ） (2026-09-07T10:22:22Z)
• DIME: Query-Efficient Framework for Membership Inference on Diffusion Models [4.201920674650052]
  DIME(Denoiser Ideal Membership Error)は拡散モデルにおけるメンバシップ推論のためのフレームワークである。 我々の出発点は、有限のトレーニングセットに対する拡散復調器の正確な特徴であり、このことは、会員の漏洩が復調器の暗黙の誤りによって制御されていることを示している。 どちらも、モデルクエリのみを使用して効率的な推定を行い、2つのクエリで実用的な攻撃を発生させる。
  論文  参考訳（メタデータ） (2026-08-24T05:38:20Z)
• AffectFlow-DINO: Uncertainty-Aware Multi-Task Affect Estimation via Conditional Rectified Flow [13.11051449383848]
  第11回ABAWチャレンジのためのマルチタスク学習システムである textbfAffectFlow-DINO を提案する。 標準的な決定論的アーキテクチャを条件付き整形フローヘッドで拡張し、ワイルドな顔の振る舞いの本質的なあいまいさをモデル化する。
  論文  参考訳（メタデータ） (2026-07-14T20:31:21Z)
• From Observation to Intervention: A Causal Audit of Expert Importance in Mixture-of-Experts Models [0.2230291569252836]
  本研究では,Mixture-of-Experts (MoE) プルーニングにおけるルーティング統計の利用について検討する。 あらゆるモデルにおいて因果的専門家の重要性を予測する観察的指標は見つからない。 以上の結果から, 人口レベルの観察結果から, 専門家の重要度に関するトークンレベルの介入主張まで, 共通の推論段階に対する明確な反例が得られた。
  論文  参考訳（メタデータ） (2026-06-09T11:04:19Z)
• Bias by Necessity: Impossibility Theorems for Sequential Processing with Convergent AI and Human Validation [13.891522069967507]
  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。
  論文  参考訳（メタデータ） (2026-05-09T05:56:12Z)
• Physics-Grounded Multi-Agent Architecture for Traceable, Risk-Aware Human-AI Decision Support in Manufacturing [1.2090375982772545]
  自由形航空宇宙部品の高精度CNC加工には, 検査, シミュレーション, プロセス知識による補償が必要である。 本稿では,マルチエージェント・ナレッジ・アナリティクス(Maka)を提案する。 MAKAは、人間の承認のために推奨される前に、物理的な妥当性、安全性の限界、完全性を強制する。
  論文  参考訳（メタデータ） (2026-05-05T17:24:53Z)
• Artificial Intelligence and Systemic Risk: A Unified Model of Performative Prediction, Algorithmic Herding, and Cognitive Dependency in Financial Markets [0.7016842616745783]
  我々は,金融市場におけるAI導入が3つの相互強化チャネルを通じてシステム的リスクを生み出す統一モデルを構築した。 このモデルは、バーゼルIII反環状バッファと比較して経済的に有意な18〜54%のテールロス増幅を示唆している。
  論文  参考訳（メタデータ） (2026-03-23T06:47:55Z)
• Beyond Accuracy: A Unified Random Matrix Theory Diagnostic Framework for Crash Classification Models [6.908972852063454]
  ランダム行列理論(RMT)とヘビープレート自己正規化(HTSR)に基づく診断枠組みを導入する。 アイオワDOTの2つのクラッシュ分類タスク(173,512,371,062)において,9つのモデルファミリーを評価した。 正規化されたモデルは常に$[2, 4]$(平均2.87 pm 0.34$)内で$を出力します。 我々は、$$ベースの早期停止基準とスペクトルモデル選択プロトコルを提案し、両者が相互検証されたFに対して検証する。
  論文  参考訳（メタデータ） (2026-02-23T05:42:54Z)
• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• On Arbitrary Predictions from Equally Valid Models [49.56463611078044]
  モデル多重性(英: Model multiplicity)とは、同じ患者に対して矛盾する予測を認める複数の機械学習モデルを指す。 たとえ小さなアンサンブルであっても、実際は予測的多重性を緩和・緩和できることを示す。
  論文  参考訳（メタデータ） (2025-07-25T16:15:59Z)
• HypER: Literature-grounded Hypothesis Generation and Distillation with Provenance [28.51792655478926]
  大規模言語モデルは、科学的領域にわたる研究の構想において有望な性能を示した。 我々は、文学誘導推論とエビデンスベースの仮説生成のために訓練された小さな言語モデルである、$textbfE$xplanation と $textbfR$easoning を用いた $textttHypER$ $textbfHyp$othesis Generation を提示する。
  論文  参考訳（メタデータ） (2025-06-15T18:41:23Z)
• Cascaded Language Models for Cost-effective Human-AI Decision-Making [52.81324217423194]
  複数の専門分野にまたがってタスクを適応的に委譲するLLM決定フレームワークを提案する。 まず、deferral Policyは、ベースモデルの回答を受け入れるか、あるいは大きなモデルでそれを再生するかを決定する。 第2に、禁忌ポリシーは、カスケードモデル応答が十分に確実であるか、または人間の介入を必要とするかを判定する。
  論文  参考訳（メタデータ） (2025-06-13T15:36:22Z)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Optimal Multi-Distribution Learning [88.3008613028333]
  マルチディストリビューション学習は、$k$の異なるデータ分散における最悪のリスクを最小限に抑える共有モデルを学ぶことを目指している。 本稿では, (d+k)/varepsilon2の順に, サンプルの複雑さを伴って, ヴァレプシロン最適ランダム化仮説を導出するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-08T16:06:29Z)
• Explicit Tradeoffs between Adversarial and Natural Distributional Robustness [48.44639585732391]
  実際、モデルは信頼性を確保するために両方のタイプの堅牢さを享受する必要があります。 本研究では, 対角線と自然分布の強靭性の間には, 明らかなトレードオフが存在することを示す。
  論文  参考訳（メタデータ） (2022-09-15T19:58:01Z)

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。