論文の概要: Epistemic Sybil Resistance: Multiplying AI Agents Without Multiplying Evidence

• arxiv url: http://arxiv.org/abs/2609.01873v1
• Date: Tue, 01 Sep 2026 21:11:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:17.987326
• Title: Epistemic Sybil Resistance: Multiplying AI Agents Without Multiplying Evidence
• Title（参考訳）: エピステミック・シビル抵抗性:AIエージェントを乗算せずに乗算する
• Abstract要約: エージェントの生成とレポートの合成により、マルチエージェントAIシステムは推論を改善する。 しかし、どうやら独立した報告は、同じ証拠に由来するかもしれないし、真に独立した証拠は、ほぼ同一の報告を生成することができる。 一般に、レポートのみのアグリゲータは、複製と独立のコロンボレーションを区別できない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent AI systems improve inference by spawning agents and synthesizing reports. But another agent is not another observation: apparently independent reports may descend from the same evidence, and genuinely independent evidence can produce nearly identical reports. We formalize this as an epistemic Sybil problem. A report Z is an epistemic Sybil extension relative to reports R when I(Theta; Z | R) = 0. No report-only aggregator can generally distinguish replication from independent corroboration: identical reports can warrant different posteriors under unobserved ancestry. A Gaussian shared-root model shows common ancestry does not imply complete redundancy. Repeated extraction adds information toward a source-level ceiling, and correlated extraction errors, which a shared base model can induce among independent agents, lower that ceiling further. We test these predictions with more than 20,000 controlled LLM-agent report and extraction calls on synthetic evidentiary documents. Holding one evidence root fixed while report multiplicity rises from 1 to 32 collapses naive posterior coverage from 0.940 to 0.263. Holding report count fixed while evidence-root multiplicity rises from 1 to 16 closes the gap, and the aggregators are statistically indistinguishable at k = 16. The agent's replicate extraction errors are correlated (gamma_cal = 0.719, estimated out of sample), and a correlated-extraction aggregator restores calibration accordingly. A controlled manipulation isolates representation similarity from evidential ancestry. It changes a report-space deduplication mechanism's mean inferred cluster count by 1.425 (95% CI [1.363, 1.485]), whereas a fourfold change in true ancestry changes it by only 0.040 ([-0.045, 0.120]). Collective inference should therefore track evidential ancestry and dependence, not agent or report multiplicity or similarity.
• Abstract（参考訳）: エージェントの生成とレポートの合成により、マルチエージェントAIシステムは推論を改善する。 しかし、別のエージェントは別の観察ではない。どうやら独立した報告は、同じ証拠から派生し、真に独立した証拠は、ほぼ同一の報告を生み出す可能性がある。 我々はこれをてんかんのシビル問題として定式化する。 報告 Z は、I(Theta; Z | R) = 0 であるときの報告 R に対する認識上のシビル拡大である。 レポートオンリーのアグリゲーターは、一般的に、独立したコロンボレーションと複製を区別することができず、同じレポートは、観測されていない祖先の下で異なる後部を保証できる。 ガウスの共有根モデルは、共通の祖先が完全な冗長性を含まないことを示している。 繰り返し抽出は、ソースレベルの天井に対して情報を追加し、共有ベースモデルが独立したエージェント間で誘導できる相関抽出エラーを発生させ、その天井をさらに下げる。 それらの予測は,2万件以上のLSMエージェントレポートと,合成証拠文書の抽出コールを用いて検証した。 報告の重複度が1から32に上昇する間に1つの証拠を固定すると、後部カバレッジが0.940から0.263に減少する。 証拠-根乗数率が 1 から 16 に上昇している間に報告数を固定し、アグリゲータは k = 16 で統計的に区別できない。 エージェントの複製抽出誤差を相関(ガンマ_cal = 0.719、サンプルから推定される)し、相関抽出アグリゲータがキャリブレーションを復元する。 制御された操作は、表現類似性を明らかな祖先から分離する。 レポート空間の複製機構の平均推定クラスタ数は1.425(95% CI [1.363, 1.485])、真の祖先の4倍の変化は0.040([-0.045, 0.120])でしか変化しない。 したがって、集団推論は、エージェントや報告の多重性や類似性ではなく、明らかな祖先と依存を追跡すべきである。

関連論文リスト

• Hub-Spectral Activation of Latent Multimodal Knowledge [48.72626098917089]
  Hub-Spectral Activation (HSA) は、凍結表現における潜在マルチモーダル知識のハブ可読成分の回復と活性化のための閉形式法である。 HSAは、ハブエッジ統計データを合成し、標準化し、ペア化されたスペクトル方向を抽出し、信頼性に富んだ一致した証拠とソースゲートの候補分解を結合する。
  論文  参考訳（メタデータ） (2026-09-15T12:27:42Z)
• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [66.44527094471619]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• Principled Detection of Coordinated Manipulation from Aggregate Distortion and Account Reuse [10.023638697449062]
  調整可能なアカウントは、評価、ランキング、エンゲージメントを共同で歪めることができる。 我々は,文脈レベルの結果分布の歪みを主証拠として扱うアグリゲートファーストエビデンス層を導入する。 制御された回転実験とペアの対実的介入によるメカニズムを過去のAmazonレビューストリームで評価した。
  論文  参考訳（メタデータ） (2026-09-11T18:16:42Z)
• Provenance Before Prose: Claim-Locked Reporting [9.106326969263483]
  科学報告のエビデンスを含む内容は、散文生成時にサンプリングされるのではなく、構造化された統計結果によって修正されるべきである。 本稿では,各報告可能なクレームのエビデンスソース,数字,方向,許容言語強度を補正する前処理プロトコルであるクレームロック型レポーティングを提案する。
  論文  参考訳（メタデータ） (2026-08-26T03:41:17Z)
• Does Splitting a Triage Decision Across Agents Hide Bias or Help Catch It? A Multi-Agent Simulation Study of LLM-Based Resource Allocation Under Audit Capacity Constraints [0.0]
  我々は、同じ決定がロール微分マルチエージェントパイプラインに分散されたとき、バイアスに何が起こるかを研究する。 2つの条件の間に偏りが生じる頻度について、測定可能な違いは見つからない。 バイアスが捕捉されるかどうかに監査能力が大きな、そして重大な影響を与えることが分かっています。
  論文  参考訳（メタデータ） (2026-08-07T08:25:53Z)
• When Outputs Disperse, Does Epistemic Revision Follow? A Black-Box Diagnostic for Machine Collectives [0.0]
  我々は,集団知能研究における分散リビジョン結合を運用する。 条件付き不服従は虚偽の前提回復を+17.7ポイント改善することを示す。 介入スタンスシフトと前提保存率を正確さとともに報告することを推奨する。
  論文  参考訳（メタデータ） (2026-08-04T14:19:59Z)
• AEGIS: From Clues to Verdicts -- Graph-Guided Deep Vulnerability Reasoning via Dialectics and Meta-Auditing [9.271196825503417]
  大きな言語モデル(LLM)は、脆弱性検出にますます採用されているが、その推論は基本的には正しくない。 AEGISは、未解決の投機から、クローズドな事実ベース上の法医学的検証へ、検出をシフトする新しいマルチエージェントフレームワークである。 これは、主要なベースラインと比較して偽陽性率を最大54.40%削減し、1サンプルあたりの平均コストはタスク固有のトレーニングなしで0.09ドルである。
  論文  参考訳（メタデータ） (2026-03-21T04:12:04Z)
• BURN: Backdoor Unlearning via Adversarial Boundary Analysis [73.14147934175604]
  Backdoor Unlearningは、モデル本来の機能を保持しながら、バックドア関連の情報を削除することを目的としている。 本稿では, 偽相関疎結合, プログレッシブデータリファインメント, モデル浄化を統合した新しい防御フレームワーク, BURNによるバックドア・アンラーニングを提案する。
  論文  参考訳（メタデータ） (2025-07-14T17:13:06Z)
• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• 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)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Detecting Adversarial Data by Probing Multiple Perturbations Using Expected Perturbation Score [62.54911162109439]
  逆方向検出は、自然分布と逆方向分布の差に基づいて、与えられたサンプルが逆方向であるかどうかを判定することを目的としている。 本研究では,様々な摂動後の標本の予測スコアであるEPS(pre expected perturbation score)を提案する。 EPSに基づく最大平均誤差(MMD)を,試験試料と自然試料との差を測定する指標として開発する。
  論文  参考訳（メタデータ） (2023-05-25T13:14:58Z)

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。