論文の概要: When Does Information Sharing Improve Decentralized Discovery? Aggregation, Independent Rescue, and Equilibrium Selection

• arxiv url: http://arxiv.org/abs/2609.01814v1
• Date: Tue, 01 Sep 2026 19:41:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:17.966024
• Title: When Does Information Sharing Improve Decentralized Discovery? Aggregation, Independent Rescue, and Equilibrium Selection
• Title（参考訳）: 情報共有は分散ディスカバリを改善するのか? 集約、独立レスキュー、平衡選択
• Abstract要約: 情報共有は、独立した救助行動を取り除き、プールされた見積もりを改善することができる。 本稿では、これらの効果を正確な有限な発見モデルで分離する。 モデルは合成され有限であり、人間や組織的なデータは使用されない。
• 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: Information sharing can improve a pooled estimate while eliminating independent rescue actions. This paper separates those effects in exact finite discovery models. A centralized action-budget profile shows that equal one-person accuracy can coexist with different portfolio values. Under a registered incremental-sharing protocol, a sharing step improves discovery exactly when pooled residual error contracts faster than an independent rescue attempt. Exact bounded registries exhibit compression, aggregation, neutral curves, and a bounded zero mixed class. In a two-agent Bayesian game with a hidden mixture of common and independent signal sources, the registered selected equilibrium yields a strict positive sharing interval at signal accuracy 3/5, while alternative equilibria show that the result is selection-dependent rather than universal. The models are synthetic and finite; no human or organizational data are used.
• Abstract（参考訳）: 情報共有は、独立した救助行動を取り除き、プールされた見積もりを改善することができる。 本稿では、これらの効果を正確な有限な発見モデルで分離する。 集中型アクション予算プロファイルは、同等の1対1の精度が異なるポートフォリオ値と共存可能であることを示している。 登録されたインクリメンタル共有プロトコルの下では、共有ステップは、独立した救助の試みよりも高速に残差エラー契約をプールしたときの発見を正確に改善する。 厳密な有界レジストリは、圧縮、集約、中立曲線、および有界0混合クラスを示す。 共通の信号源と独立な信号源が隠れた2エージェントベイズゲームにおいて、登録された選択平衡は信号精度3/5で厳密な正の共有間隔を出力し、代替平衡は結果が普遍的ではなく選択に依存していることを示す。 モデルは合成され有限であり、人間や組織的なデータは使用されない。

関連論文リスト

• Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation [71.74203645336385]
  Impute-EMは、現在のモデルとインプットされていないエントリを交換し、完了したデータに拡散バックボーンをリフィットする。 我々は、この更新を特徴付け、観測されたマスクインデクシングされた辺縁線が、その限界で目標と一致していることを示す。
  論文  参考訳（メタデータ） (2026-09-14T09:39:13Z)
• Statistical Symmetry Release for Equivariant Quantum Learning [12.042012916861829]
  ハード対称性の制約はモデルの複雑さを減少させるが、ラベル情報を消去することもできる。 統計的対称性の解放は、有限データと量子測度がそのような制約を緩和することを正当化する場合を決定する。
  論文  参考訳（メタデータ） (2026-09-10T12:38:27Z)
• ProxyGuard: Direct Reliability Inference for Randomized Data Release Mechanisms with Shared Targets [0.0]
  ProxyGuardは、事前に特定された有界リスクとシールされたターゲットセットを使用して、両方のエラーを制御する。 名前付きリリースモードは多重度を補正し、特定のリリースを認証する。 直接共有ターゲットモードは、共通のターゲット上での独立メカニズムの描画を評価する。
  論文  参考訳（メタデータ） (2026-08-19T07:44:09Z)
• When Sample Selection Bias Precipitates Model Collapse [18.23682629353108]
  各検証器が対象多様体の小さな、断片化され、偏りのあるスライスのみを観測する低リソース検証方式において、選択自体がバイアスとなることを示す。 このようなサイロ選択が崩壊を加速し、パワー・ローの多様性の崩壊を引き起こすことを理論的に証明する。
  論文  参考訳（メタデータ） (2026-06-11T11:49:39Z)
• A Mutual Information Lower Bound for Multimodal Regression Active Learning [9.04041860173466]
  Mutual Information Lower Bound (MI-LB) は、Mixture Network アンサンブルのクローズドフォーム近似である。 我々は,MI-LBがマルチモーダルシステムを備えたベンチマークで評価されたベースラインのすべてに一致または打ち勝つことを示す。
  論文  参考訳（メタデータ） (2026-05-14T14:50:47Z)
• When Individually Calibrated Models Become Collectively Miscalibrated [3.556355987197792]
  本研究では,個別に調整した予測器が戦略的に相互作用した場合に集団的に誤判定されることを示す。 正の相関関係を持つブライアスコアに基づくアグリゲーションでは、各エージェントの個別に最適なレポートは、正のクラス確率を体系的に過小評価する。 対照的に、VCGベースのアグリゲーションは、限界貢献に報いることでインセンティブを調整し、支配的な戦略的なインセンティブ互換性とほぼ最適のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-14T05:25:16Z)
• Perfectly-Private Analog Secure Aggregation in Federated Learning [51.61616734974475]
  連合学習では、複数のパーティがモデルをローカルにトレーニングし、パラメータを中央サーバと共有する。 本稿では,有限場ではなくトーラスを用いた新しいセキュアパラメータアグリゲーション法を提案する。
  論文  参考訳（メタデータ） (2025-09-10T15:22:40Z)
• Closed-Form Beta Distribution Estimation from Sparse Statistics with Random Forest Implicit Regularization [0.0]
  この研究は3つの主要な貢献を通じてスパースデータとアンサンブル分類から分布回復を推し進める。 まず,限定統計量から大規模ベータ分布を再構成する閉形式推定器を提案する。 第2に,誤差境界の導出による分類精度と分布の近接性の関係を確立する。 第3に、ゼロ分散特徴が暗黙の正則化として作用し、中間ランク予測器の選択確率が増加することを示す。
  論文  参考訳（メタデータ） (2025-07-31T17:55:07Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Mitigating Shortcut Learning with Diffusion Counterfactuals and Diverse Ensembles [104.60508550106618]
  拡散確率モデル(DPM)を利用したアンサンブル多様化フレームワークDiffDivを提案する。 DPMは、相関した入力特徴を示すサンプルを用いて訓練しても、新しい特徴の組み合わせで画像を生成することができることを示す。 そこで本研究では,DPM誘導の多様化は,教師付き信号の追加を必要とせず,ショートカットキューへの依存を取り除くのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-11-23T15:47:33Z)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)
• DICE: Diversity in Deep Ensembles via Conditional Redundancy Adversarial Estimation [109.11580756757611]
  メンバー間の多様性のおかげで、ディープアンサンブルは単一のネットワークよりもパフォーマンスが良い。 最近のアプローチでは、多様性を高めるための予測を規則化していますが、個々のメンバーのパフォーマンスも大幅に減少します。 DICEと呼ばれる新しいトレーニング基準を導入し、特徴間の素早い相関を減らして多様性を高める。
  論文  参考訳（メタデータ） (2021-01-14T10:53:26Z)

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。