論文の概要: Belief Propagation in LLM World Models: Measuring Strategic Information Bias with Prediction Markets

• arxiv url: http://arxiv.org/abs/2607.20441v1
• Date: Tue, 12 May 2026 09:22:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.162779
• Title: Belief Propagation in LLM World Models: Measuring Strategic Information Bias with Prediction Markets
• Title（参考訳）: LLM世界モデルにおける信念の伝播:予測市場による戦略的情報バイアスの測定
• Abstract要約: 英国のニュースの文脈は、地域の予測を体系的にバイアスしており、その64～72%が間違っていた。 実際の結果を知っている汚染されたモデルは、同じエラー率を示し、バイアスが主にテキストから生じることを示す。 歪みは主にモデルではなくソースに起因していることが示される。
• 参考スコア（独自算出の注目度）: 0.5999408856514375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Every information ecosystem produces beliefs that shape strategic decisions. Both human analysts and AI systems inherit the blind spots of their information sources. We show that LLMs, combined with prediction markets, function as a calibrated instrument for measuring how far ecosystem-induced beliefs deviate from an external reference: LLMs extract the beliefs a text corpus implies, and prediction market price trajectories, anchored at resolution by realised outcomes, provide the calibration reference against which to quantify the deviation. We isolate the bias contribution of specific text through ablation: varying information context while holding the model fixed, with a contaminated model that knows actual outcomes as control. Applied to 111 Ukraine-related prediction markets, comprising approximately 93,000 predictions across four models, we find that English news context systematically biases territorial predictions, wrong 64 to 72 percent of the time when it pushes predictions toward territorial capture. A contaminated model that knows actual outcomes shows the same error rate, indicating that the bias originates primarily in the text. Supplementing with Ukrainian military-analytical sources reduces the bias for all clean models, while absolute-error gains are partial and model-dependent. We show that the distortion originates primarily in the sources, not the models. Consistent across four architectures, it will persist in any system that processes them and propagate into downstream decisions.
• Abstract（参考訳）: すべての情報エコシステムは、戦略的決定を形成する信念を生み出します。 人間のアナリストもAIシステムも、情報ソースの盲点を継承する。 LLMは、予測市場と組み合わせて、外部参照から生態系が引き起こす信念がどこまで逸脱するかを測定するための校正手段として機能し、テキストコーパスが示す信念を抽出し、現実的な結果によって解決に固定された市場価格軌跡を予測し、偏差を定量化するための校正基準を提供する。 我々は,特定のテキストのバイアス寄与をアブレーションによって分離する: 実際の結果を制御として知っている汚染されたモデルを用いて,モデルを固定したまま情報コンテキストを変化させる。 4つのモデルにわたる約93,000の予測を含む111のウクライナ関連予測市場に適用すると、英国のニュースコンテキストが領土の予測を体系的にバイアスしていることが分かる。 実際の結果を知っている汚染されたモデルは、同じエラー率を示し、バイアスが主にテキストから生じることを示す。 ウクライナの軍事分析ソースによる補充は、すべてのクリーンモデルに対するバイアスを減少させ、絶対エラーゲインは部分的かつモデルに依存している。 歪みは主にモデルではなくソースに起因していることが示される。 4つのアーキテクチャに一貫性があり、それを処理し、下流の意思決定へと伝播するあらゆるシステムに持続する。

関連論文リスト

• LLM-based Agents for Forecasting and Prediction: Methods, Training, Evaluation, and Applications [76.41731220830714]
  大規模言語モデル(LLM)は、言語ベースの推論と時間的データ、エビデンス検索、外部ツール、反復予測を組み合わせた予測システムをサポートするようになった。 ファイナンス、天気、健康、エネルギー、オペレーションの応用について検討し、評価に使用されるベンチマークとデータセットを要約する。
  論文  参考訳（メタデータ） (2026-08-24T10:02:39Z)
• Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
  予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。 そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。 制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
  論文  参考訳（メタデータ） (2026-08-20T13:59:57Z)
• SIGNPOST-Bench: Benchmarking Text-Vision Conflict Resolution in Multimodal Large Language Models [9.496555964908188]
  マルチモーダル大規模言語モデル(MLLM)は、視覚とテキストの組み合わせによって現実の場面で基礎となる予測を行う。 SIGNPOST-Benchは,テキストビジョンのコンフリクト分解能を評価するための,制御されたデファクト・デファクト・ベンチマークである。
  論文  参考訳（メタデータ） (2026-08-04T21:55:47Z)
• Proxy-Guided Measurement Calibration [7.842603902533572]
  結果の誤校正の問題について検討し,提案手法をプロキシ変数で導いた,系統的な誤りを推定・修正するためのフレームワークを提案する。 因果グラフを用いてデータ生成過程をモデル化し,真の結果を誘導する潜時コンテンツ変数と系統的エラーを誘発する潜時バイアス変数とを分離する。
  論文  参考訳（メタデータ） (2026-03-10T07:15:02Z)
• Explaining News Bias Detection: A Comparative SHAP Analysis of Transformer Model Decision Mechanisms [0.2538209532048867]
  本稿では,BABEデータセットに微調整されたバイアス検出モデルと,BABEデータセットに微調整されたドメイン適応型RoBERTaモデルとの2つのバイアス検出モデルの比較解釈可能性について述べる。 モデルアーキテクチャの違いが言語バイアスをどう操作するかを特徴付けるために、正しい予測と不正確な予測にまたがる単語レベルの属性を分析する。
  論文  参考訳（メタデータ） (2025-12-29T19:58:11Z)
• Scaling Truth: The Confidence Paradox in AI Fact-Checking [0.8201655885319955]
  大規模言語モデル(LLM)は事実検証の自動化を約束するが、グローバルな文脈での有効性は不確実である。 我々はこれまでに47言語174のファクトチェック組織で評価された5000のクレームを用いて,複数のカテゴリにまたがる9つの確立されたLCMを体系的に評価した。 より小さいモデルでは精度が低いにもかかわらず高い信頼性を示す一方、より大きなモデルは高い精度を示すが、信頼性は低い。
  論文  参考訳（メタデータ） (2025-09-10T17:36:25Z)
• Your AI, Not Your View: The Bias of LLMs in Investment Analysis [62.388554963415906]
  金融において、Large Language Models (LLMs) は、事前訓練されたパラメトリック知識とリアルタイム市場データとの相違から生じる、頻繁な知識紛争に直面している。 これらの対立は、モデル固有のバイアスが制度的目的と誤認される現実世界の投資サービスにおいて特に問題となる。 本研究では,このような紛争シナリオにおける創発的行動を調べるための実験的枠組みを提案し,投資分析におけるバイアスの定量的分析を行う。
  論文  参考訳（メタデータ） (2025-07-28T16:09:38Z)
• Identifying and Mitigating Social Bias Knowledge in Language Models [52.52955281662332]
  個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。 これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-07T17:14:58Z)
• Learning for Counterfactual Fairness from Observational Data [62.43249746968616]
  公正な機械学習は、人種、性別、年齢などの特定の保護された(感受性のある)属性によって記述されるある種のサブグループに対して、学習モデルのバイアスを取り除くことを目的としている。 カウンターファクトフェアネスを達成するための既存の手法の前提条件は、データに対する因果モデルの事前の人間の知識である。 本研究では,新しいフレームワークCLAIREを提案することにより,因果関係を付与せずに観測データから対実的に公正な予測を行う問題に対処する。
  論文  参考訳（メタデータ） (2023-07-17T04:08:29Z)
• Confidence and Dispersity Speak: Characterising Prediction Matrix for Unsupervised Accuracy Estimation [51.809741427975105]
  この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。 我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。 核の基準は既存の手法よりも正確で堅牢であることを示す。
  論文  参考訳（メタデータ） (2023-02-02T13:30:48Z)

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。