論文の概要: Diversity is the Strength of the AI Crowd

• arxiv url: http://arxiv.org/abs/2606.29661v1
• Date: Mon, 29 Jun 2026 00:09:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.000608
• Title: Diversity is the Strength of the AI Crowd
• Title（参考訳）: 多様性はAI集団の強みである
• Abstract要約: 一定の数のサンプルが与えられたら、どのモデル予測を組み合わさって精度を最大化するべきか? 多くのフロンティアLSMは高い相関の予測を行い、同一または類似のモデルから追加の予測値を制限する。 最強のアンサンブルは正確だが多様な予測器を組み合わせ、モデルGrok 4のようなモデルは他のフロンティアのLLMと相関が低いため不均等に寄与する。
• 参考スコア（独自算出の注目度）: 4.101606888483043
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Top AI forecasting systems are approaching superforecaster-level accuracy on future world events, but still rely primarily on off-the-shelf LLMs combined with forecasting-specific context gathering and scaffolding. We study how to improve this recipe through ensembling: given a fixed number of samples, which off-the-shelf model forecasts should be combined to maximize accuracy? On binary questions from the Metaculus AI Benchmark, we find that individual accuracy is not enough: many frontier LLMs make highly correlated predictions, limiting the value of additional forecasts from the same or similar models. Instead, the strongest ensembles combine accurate but diverse forecasters, with models such as \model{Grok 4} contributing disproportionately because their predictions are less correlated with other frontier LLMs. These results suggest that the strength of the AI crowd comes not from sampling more forecasts indiscriminately, but from combining forecasts across models with complementary errors, motivating forecasting systems that explicitly optimize for both model quality and diversity.
• Abstract（参考訳）: トップAI予測システムは、将来の世界のイベントにおいて、スーパーフォカスターレベルの精度に近づいているが、それでも主に、予測固有のコンテキスト収集と足場を組み合わせた、市販のLLMに依存している。 一定の数のサンプルを与えられた場合、既製のモデル予測と組み合わせて精度を最大化するべきか? メタキュラスAIベンチマークからのバイナリ質問では、個々の精度が十分ではないことが分かる。多くのフロンティアLSMは高い相関予測を行い、同じまたは類似のモデルから追加の予測値を制限する。 その代わり、最強のアンサンブルは正確だが多様な予測器を結合し、モデル{Grok 4}のようなモデルは他のフロンティアのLLMと相関が低いため不均等に寄与する。 これらの結果は、AI集団の強みは、予測を無差別にサンプリングすることではなく、モデル全体の予測と相補的なエラーを組み合わせ、モデル品質と多様性の両方を明示的に最適化する予測システムを動機付けることから来ていることを示唆している。

関連論文リスト

• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• Faithful and Interpretable Explanations for Complex Ensemble Time Series Forecasts using Surrogate Models and Forecastability Analysis [1.5751034894694789]
  本稿では,精度と解釈可能性のギャップを埋めるサロゲートに基づく説明手法を開発する。 スペクトル予測可能性分析を統合し,各系列固有の予測可能性の定量化を行う。 結果として得られるフレームワークは、最先端のアンサンブル予測に対する解釈可能なインスタンスレベルの説明を提供する。
  論文  参考訳（メタデータ） (2025-10-09T18:49:45Z)
• Simple Yet Effective: An Information-Theoretic Approach to Multi-LLM Uncertainty Quantification [9.397157329808254]
  MUSEは、大規模言語モデルのよく校正されたサブセットを特定し、集約するための単純な情報理論手法である。 二分予測タスクの実験では、単一モデルとナイーブアンサンブルベースラインと比較してキャリブレーションと予測性能が改善された。
  論文  参考訳（メタデータ） (2025-07-09T19:13:25Z)
• Quantile Regression with Large Language Models for Price Prediction [15.277244542405345]
  大規模言語モデル(LLM)は、回帰を含む構造化予測タスクにおいて有望であることを示している。 我々は,LLMが完全な予測分布を生成できる新しい量子レグレッション手法を提案する。 量子ヘッドを微調整したMistral-7Bモデルは、点推定と分布推定の両方において従来の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2025-06-07T04:19:28Z)
• Can Language Models Use Forecasting Strategies? [14.332379032371612]
  実世界の出来事と関連する人間の予測の新たなデータセットを用いた実験について述べる。 モデルはまだ、未来に関する正確な予測に苦戦している。
  論文  参考訳（メタデータ） (2024-06-06T19:01:42Z)
• Predictive Churn with the Set of Good Models [61.00058053669447]
  本稿では,予測的不整合という2つの無関係な概念の関連性について考察する。 予測多重性(英: predictive multiplicity)は、個々のサンプルに対して矛盾する予測を生成するモデルである。 2つ目の概念である予測チャーン(英: predictive churn)は、モデル更新前後の個々の予測の違いを調べるものである。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Optimizing accuracy and diversity: a multi-task approach to forecast combinations [0.0]
  両問題を同時に解くことに焦点を当てたマルチタスク最適化パラダイムを提案する。 標準的な機能ベースの予測アプローチに、さらなる学習と最適化のタスクが組み込まれている。 提案手法は,特徴に基づく予測において,多様性の本質的な役割を引き出すものである。
  論文  参考訳（メタデータ） (2023-10-31T15:26:33Z)
• Beyond S-curves: Recurrent Neural Networks for Technology Forecasting [60.82125150951035]
  我々は機械学習と時系列予測の最近の進歩を生かしたオートコーダアプローチを開発した。 S曲線予測は、単純なARIMAベースラインに匹敵する平均パーセンテージ誤差(MAPE)を示す。 我々のオートエンコーダアプローチは、2番目に高い結果に対して平均13.5%改善する。
  論文  参考訳（メタデータ） (2022-11-28T14:16:22Z)
• Restricted Bernoulli Matrix Factorization: Balancing the trade-off between prediction accuracy and coverage in classification based collaborative filtering [45.335821132209766]
  本稿では,Restricted Bernoulli Matrix Factorization (ResBeMF) を提案する。 提案モデルでは,他のレコメンデーションモデルと比較して,品質指標のバランスが良好である。
  論文  参考訳（メタデータ） (2022-10-05T13:48:19Z)
• Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
  この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。 提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
  論文  参考訳（メタデータ） (2022-07-11T21:17:41Z)
• Sparse MoEs meet Efficient Ensembles [49.313497379189315]
  このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。 Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
  論文  参考訳（メタデータ） (2021-10-07T11:58:35Z)
• Feature-weighted Stacking for Nonseasonal Time Series Forecasts: A Case Study of the COVID-19 Epidemic Curves [0.0]
  本研究では,非シーズン時間帯での利用可能性について,予測におけるアンサンブル手法について検討する。 予備予測段階における予測能力を証明する2つの予測モデルと2つのメタ機能からなる重畳アンサンブルを用いて遅延データ融合を提案する。
  論文  参考訳（メタデータ） (2021-08-19T14:44:46Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• A framework for probabilistic weather forecast post-processing across models and lead times using machine learning [3.1542695050861544]
  我々はNWPモデルと意思決定支援の「理想的な」予測とのギャップを埋める方法について述べる。 本研究では,各数値モデルの誤差プロファイルの学習にQuantile Regression Forestsを使用し,これを経験から得られた確率分布を予測に適用する。 第2に、これらの確率予測を量子平均化(quantile averaging)を用いて組み合わせ、第3に、集合量子化の間で補間して完全な予測分布を生成する。
  論文  参考訳（メタデータ） (2020-05-06T16:46:02Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。