論文の概要: Collective Intelligence with Foundation Models
- arxiv url: http://arxiv.org/abs/2607.07729v1
- Date: Mon, 06 Jul 2026 19:52:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.280039
- Title: Collective Intelligence with Foundation Models
- Title（参考訳）: 基礎モデルを用いた集団知能
- Abstract要約: 本章では、解法モデルが独立したドラフトを生成するマルチエージェントフレームワークを提示し、それぞれが構造化された批評と批評エージェントによる改訂を行い、集約エージェントが最終的なコンセンサスソリューションを合成する。
スコアリングモジュールは、すべてのエージェントに対して意味的、数値的、手続き的評価を提供する。
異種多エージェント協調が, 科学的, 産業的領域における透明性, 監査性, 高信頼な意思決定をいかに支援しているかを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As foundation models grow in scale and diversity, coordinating multiple models into cooperative reasoning systems offers a path toward safer, more reliable AI. This chapter presents a multi-agent framework where solver models generate independent drafts, each undergoes structured critique and revision by a critic agent, and an aggregator agent synthesizes a final consensus solution. A scoring module provides semantic, numerical, and procedural evaluation across all agents. Through ablation studies on a benchmark spanning calculus, physics, chemistry, biology, economics, optimization, statistics, and mathematics, we isolate the contributions of framework architecture versus model diversity. We compare four configurations: (1) Individual Baseline, (2) Homogeneous Framework using one shared model, (3) Redundant Homogeneous Solvers using multiple instances of the same model, and (4) Heterogeneous Framework with diverse specialized models. Results show that while framework structure and redundant sampling yield modest gains, model heterogeneity is the critical factor driving substantial performance improvements. The heterogeneous configuration achieves superior step-wise accuracy (0.64 vs. 0.54 for individual models; 2.3x improvement over homogeneous configurations) with reduced variance across categories and difficulty levels. Step-wise reasoning quality (correctness of intermediate steps, not just final answers) improves dramatically only with model diversity, showing that heterogeneous agents provide complementary error detection and reasoning refinement essential for explainability and auditability. We discuss architectural principles, evaluation methodology, and implications for Global Applied AI, showing how heterogeneous multi-agent coordination supports transparent, auditable, high-confidence decision-making across scientific and industrial domains.
- Abstract（参考訳）: ファンデーションモデルがスケールと多様性で成長するにつれて、複数のモデルを協調推論システムに調整することで、より安全で信頼性の高いAIへの道が開かれる。
本章では、解法モデルが独立したドラフトを生成するマルチエージェントフレームワークを提示し、それぞれが構造化された批評と批評エージェントによる改訂を行い、集約エージェントが最終的なコンセンサスソリューションを合成する。
スコアリングモジュールは、すべてのエージェントに対して意味的、数値的、手続き的評価を提供する。
計算、物理、化学、生物学、経済学、最適化、統計学、数学にまたがるベンチマークのアブレーション研究を通じて、フレームワークアーキテクチャとモデル多様性の貢献を分離する。
我々は,(1)個別ベースライン,(2)共有モデルを用いた均一なフレームワーク,(3)同一モデルの複数インスタンスを用いた冗長な均一なソルバー,(4)多様な専門モデルを用いた異種フレームワークの4つの構成を比較した。
その結果, モデルの不均一性が重要な要因であり, 性能改善に寄与することが示唆された。
不均一な構成は、各モデルのステップワイズ精度(0.64 vs. 0.54、等質な構成よりも2.3倍改善)が向上し、カテゴリや難易度が低下する。
ステップワイズ推論の品質(最終回答だけでなく中間ステップの正確性)は、モデル多様性のみによって劇的に改善され、異種エージェントが説明可能性と監査可能性に不可欠な相補的エラー検出と推論の洗練を提供することを示す。
我々は、Global Applied AIのアーキテクチャ原則、評価方法論、および含意について論じ、異種多エージェント協調が、科学的および産業領域における透明性、監査性、高信頼な意思決定をどのようにサポートするかを示した。
関連論文リスト
- Agentic Designer: Progressive Multi-Agent Collaboration for Structure-Aware Interior Layout Generation [84.5255199507027]
Agentic Designerは、構造を意識した内部レイアウト生成を反復的かつ制約的に検証された決定プロセスとして定式化する、プログレッシブなフレームワークである。
提案、検証、合成、調整のモジュールステージにレイアウトを分解することで、フレームワークは3つの特殊エージェント、ジェネレータ、評価器、精錬器を協調する。
この機構は、各配置がコミットされる前に段階的に幾何的検証と補正を行い、エラーの蓄積を防止する。
論文 参考訳（メタデータ） (2026-07-23T02:46:11Z) - FusionAgent: A Multimodal Agent with Dynamic Model Selection for Human Recognition [22.18313011042103]
textbfFusionAgentは動的でサンプル固有のモデル選択のための新しいエージェントフレームワークである。
信頼性トップク(ACT)スコア融合は、最も信頼度の高いモデルにアンカーを配置し、信頼性に配慮した補完的な予測を統合する。
複数の全身バイオメトリック・ベンチマークの実験では、FusionAgentはSoTA法よりも大幅に優れていた。
論文 参考訳（メタデータ） (2026-03-27T18:35:44Z) - Generative Modeling in Protein Design: Neural Representations, Conditional Generation, and Evaluation Standards [3.8025175740783026]
生成モデリングはタンパク質研究の中心的なパラダイムとなっている。
この調査は、予測モデリングから信頼性の高い機能駆動タンパク質工学への移行を加速することを目的としている。
論文 参考訳（メタデータ） (2026-03-27T13:02:16Z) - An Integrated Fusion Framework for Ensemble Learning Leveraging Gradient Boosting and Fuzzy Rule-Based Models [59.13182819190547]
ファジィ規則に基づくモデルは解釈可能性に優れ、様々な分野に広く応用されている。
複雑な設計仕様や大規模データセットのスケーラビリティといった課題に直面している。
本稿では,モデル性能と解釈可能性を高めるために,両パラダイムの強みを融合した統合統合フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-11T10:28:23Z) - Where Did It All Go Wrong? A Hierarchical Look into Multi-Agent Error Attribution [0.7226144684379191]
本稿では,階層的文脈表現,客観分析に基づく評価,コンセンサス投票を組み合わせた新しいアルゴリズムECHOを提案する。
実験の結果,ECHOは様々なマルチエージェントインタラクションシナリオにおいて既存手法よりも優れていた。
論文 参考訳（メタデータ） (2025-10-06T15:07:13Z) - Merge and Guide: Unifying Model Merging and Guided Decoding for Controllable Multi-Objective Generation [49.98025799046136]
Merge-And-GuidEは、ガイド付きデコーディングにモデルマージを利用する2段階のフレームワークである。
ステージ1では、MAGEはガイダンスとベースモデルの互換性の問題を解決する。
ステージ2では、明示的で暗黙的な値モデルを統一的なガイダンスプロキシにマージします。
論文 参考訳（メタデータ） (2025-10-04T11:10:07Z) - RealUnify: Do Unified Models Truly Benefit from Unification? A Comprehensive Benchmark [71.3555284685426]
本稿では,双方向機能相乗効果を評価するためのベンチマークであるRealUnifyを紹介する。
RealUnifyは、10のカテゴリと32のサブタスクにまたがる、細心の注意を払ってアノテートされた1000のインスタンスで構成されている。
現在の統一モデルは、効果的な相乗効果を達成するのに依然として苦労しており、アーキテクチャの統一だけでは不十分であることを示している。
論文 参考訳（メタデータ） (2025-09-29T15:07:28Z) - Comparative Analysis of AI Agent Architectures for Entity Relationship Classification [1.6887793771613606]
本研究では,3つの異なるAIエージェントアーキテクチャの比較分析を行い,関係分類を行う。
エージェントアーキテクチャは,(1)反射的自己評価,(2)階層的タスク分解,(3)新しいマルチエージェント動的サンプル生成機構を含む。
実験により,マルチエージェントの協調が標準のショットプロンプトより一貫して優れていることが実証された。
論文 参考訳（メタデータ） (2025-06-03T04:19:47Z) - Slimmable Domain Adaptation [112.19652651687402]
重み付けモデルバンクを用いて、ドメイン間の一般化を改善するためのシンプルなフレームワーク、Slimmable Domain Adaptationを導入する。
私たちのフレームワークは、他の競合するアプローチを、複数のベンチマークにおいて非常に大きなマージンで上回ります。
論文 参考訳（メタデータ） (2022-06-14T06:28:04Z) - Dynamic Federated Learning [57.14673504239551]
フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。
我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。
集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
論文 参考訳（メタデータ） (2020-02-20T15:00:54Z)
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。