Fugu-MT 論文翻訳(概要): Navigating Epistemic Monocultures in AI-Driven Science: A Simulation Study

論文の概要: Navigating Epistemic Monocultures in AI-Driven Science: A Simulation Study

arxiv url: http://arxiv.org/abs/2608.19390v1
Date: Wed, 19 Aug 2026 19:16:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-21 20:28:51.388652
Title: Navigating Epistemic Monocultures in AI-Driven Science: A Simulation Study
Title（参考訳）: AI駆動科学における先天的なモノカルチャーの探索 : シミュレーションスタディ
Abstract要約: 統一的なガイダンスを提供する非個人化されたAIシステムは、問題構造、プラクティス、ベースライン研究能力の狭い結合の下でのみ利益を得る。ランダム化とパーソナライズという2つの方法を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: AI integration into scientific communities promises accelerated discovery but raises concerns about detrimental homogenization. We develop an NK landscape model to explore these promises and risks. We find that non-personalized AI systems that offer uniform guidance yield benefits only under a narrow conjunction of problem structure, practices, and baseline research capabilities, becoming harmful otherwise. We implement two proposed mitigations: randomization and personalization. While randomization's utility remains restricted to decomposable problems, personalization can enhance diversity, enabling benefits across a broader range of conditions. Crucially, these benefits are not automatic, but depend on effective institutional adaptation, requiring new standards and practices.
Abstract（参考訳）: 科学コミュニティへのAI統合は発見の加速を約束するが、有害な均質化への懸念を引き起こす。我々は、これらの約束とリスクを探求するNKランドスケープモデルを開発した。均一なガイダンスを提供する非個人化されたAIシステムは、問題構造、プラクティス、ベースライン研究能力の狭い結合の下でのみ利益を得ることができ、そうでなければ有害になる。ランダム化とパーソナライズという2つの方法を提案する。ランダム化の効用は分解可能な問題に限られているが、パーソナライゼーションは多様性を高め、幅広い条件で利益をもたらすことができる。重要な点として、これらの利点は自動ではなく、効果的な制度適応に依存し、新しい基準と慣行を必要とする。

関連論文リスト

Individual Gain, Collective Loss: Metacognitive Adaptation in AI-Assisted Creativity [0.0]
AIは個人の創造的なアウトプットを高めながら、集団の多様性を減らします。選択的メタ認知適応を提案する: 日常的なAIは、メタ認知の努力を均一に減らすのではなく、再分節を使用する。本稿では、時間的位相によって組織された6つのメタ認知能力の分類を提示し、それらの傾向を日常的なAI使用下で特徴づけ、個々に合理的な適応が創発的な社会的コストをいかに生み出すかを示す。
論文参考訳（メタデータ） (2026-06-04T00:21:35Z)
Towards a Science of Collective AI: LLM-based Multi-Agent Systems Need a Transition from Blind Trial-and-Error to Rigorous Science [70.3658845234978]
大規模言語モデル(LLM)はマルチエージェントシステム(MAS)の機能を大幅に拡張した。この急速な進歩にもかかわらず、この分野はいまだに実証的な試行錯誤に大きく依存している。このボトルネックは、帰属の曖昧さに起因している。本稿では,協調運転要因を体系的に同定する要因帰属パラダイムを提案する。
論文参考訳（メタデータ） (2026-02-05T04:19:52Z)
Group Selection as a Safeguard Against AI Substitution [0.28029990367346164]
生成AIへの信頼は、特に創造的な仕事において、文化的分散と多様性を減らすことができる。この分散の減少は、モデル崩壊や幻覚を含むモデル性能の問題を既に引き起こしている。エージェントベースのモデルと進化ゲーム理論を用いて、補完と置換の2種類のAI使用の比較を行う。
論文参考訳（メタデータ） (2026-02-03T13:56:47Z)
Generative AI as a Non-Convex Supply Shock: Market Bifurcation and Welfare Analysis [4.887749221165767]
我々は、GenAIのコストが、市場をAIの出口と人間のセグメントに再活性化させ、-class hollow'のアウトプットを生成する方法を示す。我々は、最適ガバナンスは、遅延フェール渋滞管理に向けたものでなければならないと結論づける。
論文参考訳（メタデータ） (2026-01-18T17:00:40Z)
Structure-Aware Diversity Pursuit as an AI Safety Strategy against Homogenization [0.0]
生成AIモデルは、トレーニングデータのバイアスを再現し、モード崩壊によってさらに増幅することができる。均質化を緩和する戦略としてキセノ再生を導入する。私たちの貢献は基礎的であり、研究の本質的なラインを開き、コラボレーションを招待することを目的としています。
論文参考訳（メタデータ） (2026-01-03T15:34:27Z)
SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
論文参考訳（メタデータ） (2025-11-29T09:18:39Z)
AI Automatons: AI Systems Intended to Imitate Humans [54.19152688545896]
人々の行動、仕事、能力、類似性、または人間性を模倣するように設計されたAIシステムが増加している。このようなAIシステムの研究、設計、展開、可用性は、幅広い法的、倫理的、その他の社会的影響に対する懸念を喚起している。
論文参考訳（メタデータ） (2025-03-04T03:55:38Z)
Control Risk for Potential Misuse of Artificial Intelligence in Science [85.91232985405554]
我々は、科学におけるAI誤用の危険性の認識を高めることを目的としている。化学科学における誤用の実例を取り上げる。我々は、科学におけるAIモデルの誤用リスクを制御するSciGuardというシステムを提案する。
論文参考訳（メタデータ） (2023-12-11T18:50:57Z)
System Neural Diversity: Measuring Behavioral Heterogeneity in Multi-Agent Learning [8.280943341629161]
マルチエージェントシステムにおける振る舞いの不均一性の尺度であるシステムニューラルダイバーシティ(SND)を紹介する。 SNDはエージェントが取得した潜時レジリエンスのスキルを計測できるが、タスクパフォーマンス(リワード)などの他のプロキシは失敗する。我々は、このパラダイムが探索フェーズのブートストラップにどのように使用できるかを示し、最適なポリシーを高速に見つける。
論文参考訳（メタデータ） (2023-05-03T13:58:13Z)
Fairness in AI and Its Long-Term Implications on Society [68.8204255655161]
AIフェアネスを詳しく見て、AIフェアネスの欠如が、時間の経過とともにバイアスの深化につながるかを分析します。偏りのあるモデルが特定のグループに対してよりネガティブな現実的な結果をもたらすかについて議論する。問題が続くと、他のリスクとの相互作用によって強化され、社会不安という形で社会に深刻な影響を及ぼす可能性がある。
論文参考訳（メタデータ） (2023-04-16T11:22:59Z)
Picking on the Same Person: Does Algorithmic Monoculture lead to Outcome Homogenization? [90.35044668396591]
機械学習における繰り返しのテーマはアルゴリズムによるモノカルチャーである。同じシステム、またはコンポーネントを共有するシステムは、複数の意思決定者によってデプロイされる。意思決定者がトレーニングデータや特定のモデルなどのコンポーネントを共有すれば、より均一な結果が得られます。我々はこの仮説をアルゴリズムフェアネスベンチマークで検証し、トレーニングデータの共有がホモジェナイゼーションを確実に悪化させることを示した。結果の均質化に関する哲学的分析と社会的な課題を、デプロイされた機械学習システムに含めることに着目して結論付ける。
論文参考訳（メタデータ） (2022-11-25T09:33:11Z)

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。