論文の概要: The Khipu Problem: Institutional Legibility Under Distributed Cognition
- arxiv url: http://arxiv.org/abs/2606.12414v1
- Date: Wed, 06 May 2026 16:51:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 07:09:36.870125
- Title: The Khipu Problem: Institutional Legibility Under Distributed Cognition
- Title（参考訳）: Khipu問題:分散認知下での制度的正当性
- Authors: Krti Tallam,
- Abstract要約: 本稿では,分散AIにおけるkhipu問題について紹介する。
ログ、トレース、モデルバージョン、ツールコール、アウトプット、承認アーティファクトは引き続き利用可能であり、一方の一貫性のある認知エピソードの一部としてそれらを読む能力は失われる。
この失敗は、通常の可観測性の欠如よりも解釈的連続性の欠如として理解されていると我々は主張する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AI governance still tends to assume that the relevant object is a bounded model or a bounded agent. That assumption is getting weaker. Real systems increasingly distribute cognition across models, tools, humans, context stores, retrieval layers, runtime policies, authorization boundaries, and delegated institutional roles. In such systems, the central governance problem is no longer only what the system did, but whether later institutions can still read what the system was. This paper introduces the khipu problem for distributed AI: the record can survive while the reading practice needed to interpret it decays. Logs, traces, model versions, tool calls, outputs, and approval artifacts may remain available while the institutional capacity to read them as parts of one coherent cognitive episode disappears. We argue that this failure is better understood as loss of interpretive continuity than as ordinary lack of observability. The result is a distinct governance failure. Institutions must classify, trust, audit, and constrain systems whose relevant identity is distributed across components and whose legibility depends on surrounding interpretive scaffolding. The problem is not merely missing data. It is a structural mismatch between what can be represented and what must still be decided under consequential conditions. We therefore argue that governance for distributed AI requires preservation of interpretive continuity, not only trace retention. The paper distinguishes missing evidence, ambiguous evidence, and structurally unreadable evidence; argues that many consequential outcomes are better understood as distributed cognitive episodes than as bounded model outputs; and proposes governance workspaces together with receipt-bearing governance surfaces as interpretive infrastructure for preserving action identity, authority, boundary truth, evidential scope, and consequential outcomes.
- Abstract（参考訳）: AIガバナンスは、関連オブジェクトがバウンドモデルまたはバウンドエージェントであると仮定する傾向があります。
その仮定はますます弱くなってきている。
実際のシステムは、認識をモデル、ツール、人間、コンテキストストア、検索層、ランタイムポリシー、認証境界、委任された機関の役割に分散するようになっている。
このようなシステムでは、中央のガバナンス問題はもはやシステムが行ったことだけではなく、後の機関がシステムの内容を読むことができるかどうかである。
本稿では,分散AIにおけるkhipu問題について紹介する。
ログ、トレース、モデルバージョン、ツールコール、アウトプット、承認アーティファクトは引き続き利用可能であり、一方の一貫性のある認知エピソードの一部としてそれらを読む能力は失われる。
この失敗は、通常の可観測性の欠如よりも解釈的連続性の欠如として理解されていると我々は主張する。
その結果、異なるガバナンスの失敗が生まれます。
機関は、関連するアイデンティティがコンポーネントに分散し、その正当性が周囲の解釈的足場に依存しているシステムを分類し、信頼し、監査し、制約する必要がある。
問題は単に欠落データだけではない。
それは表現できるものと、連続した条件下で決定しなければならないものとの間に構造的なミスマッチである。
したがって、分散AIのガバナンスには、トレース保持だけでなく解釈連続性の保存が必要である、と我々は主張する。
この論文は、欠落した証拠、曖昧な証拠、構造的に読めない証拠を区別し、多くの連続的な結果が、境界モデル出力よりも分散認知エピソードとして理解されていること、そして、行動のアイデンティティ、権威、境界真理、明示的スコープ、および簡潔な結果を保存するための解釈的基盤として、領収権を有する統治面と共にガバナンスワークスペースを提案する。
関連論文リスト
- Beyond Post-hoc Explanation: Toward Glassbox AI via Probabilistic Mediation [0.7614628596146601]
そもそも、この問題は説明の欠如ではなく、構造化推論の欠如であると主張する。
本稿では、ベイズネットワークが生成モデルのための透明でアンテホックな媒介層として機能するGlassbox Frameworkについて論じる。
論文 参考訳（メタデータ） (2026-06-05T10:08:56Z) - Interpretation, Learning, and Empathy as One Constraint: A Residual-Adequacy Architecture with Accountable Abstention [0.0]
一つの量から限界が生じる小さな認知アーキテクチャを開発する。
解釈決定ユニット(IDU)は、コンテントベクトルをレギュレーションのファミリを通じて解釈し、ライセンスするアクションを決定する。
任意のコンテンツと固定構成に対して、ユニークな端末証人を持つ有限個の有界コストステップで停止する。
論文 参考訳（メタデータ） (2026-05-24T10:57:28Z) - Trustworthy AI Suffers from Invariance Conflicts and Causality is The Solution [80.98492754957466]
公正性、堅牢性、プライバシ、説明可能性といった、信頼性の高いAI目標を同時に達成することは難しい。
本稿では、パフォーマンスにおけるトレードオフを理解しバランスをとるためには因果性が必要であると論じ、信頼できるAIの複数の目的について論じる。
論文 参考訳（メタデータ） (2026-05-04T14:26:28Z) - Affordance Agent Harness: Verification-Gated Skill Orchestration [45.231685718099264]
Affordance groundingは、オープンワールドのシーンでエージェントがどこでどのように対話すべきかを特定する必要がある。
本稿では,エビデンスストアとコストコントロールを備えたクローズドループランタイムであるAffordance Agent Harnessを提案する。
論文 参考訳（メタデータ） (2026-05-01T13:45:16Z) - IMPACT-CYCLE: A Contract-Based Multi-Agent System for Claim-Level Supervisory Correction of Long-Video Semantic Memory [73.22944697933603]
既存のパイプラインは不透明でエンドツーエンドの出力を生成し、検査の中間状態は公開しない。
IMPACT-Cycleは,マルチモーダル反復クレームレベルのメンテナンスとして,長時間ビデオ理解を再構築するマルチエージェントシステムである。
論文 参考訳（メタデータ） (2026-04-22T03:03:33Z) - The Missing Knowledge Layer in AI: A Framework for Stable Human-AI Reasoning [0.0]
人間も同様の弱点を示し、しばしば信頼性について流線型を誤っている。
本論文は,人間-AI推論の安定化に関する5つの研究シリーズの中で,初めてのものである。
論文 参考訳（メタデータ） (2026-04-16T11:19:00Z) - AI Knows What's Wrong But Cannot Fix It: Helicoid Dynamics in Frontier LLMs Under High-Stakes Decisions [51.56484100374058]
ヘリコイド力学(Helicoid dynamics)は、その2番目のドメインの特定の障害状態に与えられる名前である。
システムは巧みに働き、エラーに陥り、何がうまくいかなかったかを正確に名付け、さらに高度な技術で同じパターンを再現する。
この先進的な事例シリーズは、7つの主要なシステムにまたがる体制を文書化する。
論文 参考訳（メタデータ） (2026-03-12T05:25:49Z) - The Chancellor Trap: Administrative Mediation and the Hollowing of Sovereignty in the Algorithmic Age [0.0]
高スループットの組織では、AIによる意思決定サポートによって、失敗が公然と合法化され、政治的に競合する可能性を減らすことができる。
本稿は、この力学を検証ギャップを特徴とする主エージェント問題として定式化する。
ガバナンスシステムは、失敗を内部的に吸収し解決する上で、より効果的になり、同時に、これらの失敗が政治的に目に見えるしきい値を上げる。
論文 参考訳（メタデータ） (2026-02-09T07:28:44Z) - Think Locally, Explain Globally: Graph-Guided LLM Investigations via Local Reasoning and Belief Propagation [5.191980417814362]
LLMエージェントは、ほとんどの環境が静的で、必要な情報がモデルのコンテキストウインドウに適合する場合、排他的になる。
直腸型薬剤は、この体制では特に脆い。
本稿では,LLMが限定的な局所的エビデンスマイニングとラベリングを行うためのフレームワークであるEoGを提案する。
論文 参考訳（メタデータ） (2026-01-25T17:27:19Z) - Causal Fairness Analysis [68.12191782657437]
意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。
我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。
本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
論文 参考訳（メタデータ） (2022-07-23T01:06:34Z) - Neuro-Symbolic Entropy Regularization [78.16196949641079]
構造化予測では、目的は構造化されたオブジェクトをエンコードする多くの出力変数を共同で予測することである。
エントロピー正則化(Entropy regularization)という1つのアプローチは、決定境界が低確率領域にあるべきであることを示唆している。
我々は、モデルが有効対象を確実に予測することを奨励する損失、ニューロシンボリックエントロピー正規化を提案する。
論文 参考訳（メタデータ） (2022-01-25T06:23:10Z)
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。