論文の概要: A latent dimension of Condorcet's jury theorem for multiple AI advisers

• arxiv url: http://arxiv.org/abs/2609.14438v1
• Date: Sun, 13 Sep 2026 11:25:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.814215
• Title: A latent dimension of Condorcet's jury theorem for multiple AI advisers
• Title（参考訳）: 複数のAIアドバイザーに対するCondorcetの陪審定理の潜在次元
• Abstract要約: 二項モデルでは、アドバイザーの数が増加するにつれて「目に見える反対者」はほぼ避けられなくなる。 インディペンデントと有能なアドバイザーの理想的なパネルでさえ集合的に正しいが、分割される。 アドバイザの分割方法はまた、予測多重性、和解負荷、信頼の誤校正の共通基盤を提供する。
• 参考スコア（独自算出の注目度）: 0.45880283710344066
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When the same question is asked of multiple AI advisers, as in self-consistency and LLM-as-a-judge panels, Condorcet's jury theorem predicts that adding independent, competent advisers makes the majority more reliable. The theorem, however, has a latent dimension when viewed from the user's vantage: adding advisers also makes disagreement more visible. A binomial model reveals that this ``visible dissent'' becomes nearly inevitable as the number of advisers grows, and that reliability and disagreement both approach certainty but at different convergence rates. The two rates cross at an adviser accuracy of 4/5 (0.8). Below this value, visible dissent approaches certainty faster than reliability and, with enough advisers, becomes more likely than a correct majority. Even ideal panels of independent and competent advisers can be correct in aggregate but appear divided; such disagreement does not by itself indicate aggregation failure. The way advisers split also provides a common basis for predictive multiplicity, reconciliation load, and reliance miscalibration. These results indicate two distinct decisions when using multiple AI advisers: how many advisers to consult and how their verdicts should be presented and interpreted.
• Abstract（参考訳）: 自己整合性やLCM-as-a-judgeパネルのように、複数のAIアドバイザーについて同じ質問がされた場合、Condorcetの陪審の定理は、独立した有能なアドバイザーを追加することで、過半数がより信頼できると予測する。 しかし、この定理はユーザーの便益からみると、潜在的な次元を持つ:助言を追加することで、意見の相違がより明確になる。 二項モデルでは、顧問の数が増えるにつれて、この「目に見える不一致」はほぼ避けられなくなり、信頼性と意見の相違が確実性に近づくが、収束率が異なることが示される。 2つのレートは4/5(0.8)のアドバイザー精度で交差する。 この値より下位では、可視的不満は信頼性よりも確実にアプローチし、十分な助言があれば、正しい多数派よりも高い確率になる。 インディペンデントや有能なアドバイザーの理想的なパネルでさえ集合において正しいが、分割される。 アドバイザの分割方法は、予測多重性、和解負荷、信頼の誤校正の共通基盤を提供する。 これらの結果は、複数のAIアドバイザを使用する際の2つの異なる決定を示す。

関連論文リスト

• Sharding Prevents LLM Oversight Failures and Adversarial Exploitation [45.380649793616705]
  シャーディングは要求を小さなグループに分割し、各グループを別の呼び出しに割り当て、評決を集約する。 シャードの弱い裁判官は、より有能な総合的な裁判官よりも優れており、後者がパネルの全予算を受け取ったとしても、その裁判官と一致することができる。
  論文  参考訳（メタデータ） (2026-08-05T18:21:21Z)
• To Fuse or to Drop? Dual-Path Learning for Resolving Modality Conflicts in Multimodal Emotion Recognition [87.22988227382329]
  マルチモーダル感情認識(MER)は、テキスト、音声、視覚を組み合わせることで恩恵を受けるが、標準的な融合は、モダリティが相反する場合に失敗することが多い。 我々は,いつフューズするか,いつモダリティを落とすのかを学習する統合フレームワークであるDual-Path Conflict Resolution (DCR)を提案する。
  論文  参考訳（メタデータ） (2026-05-06T13:11:33Z)
• More Isn't Always Better: Balancing Decision Accuracy and Conformity Pressures in Multi-AI Advice [5.269026412088572]
  マルチAIコンサルテーションは人間の意思決定を改善するが、その条件は未定である。 参加者はAIのパネルからアドバイスを受けた3つのタスクで実験を行った。 高いコンセンサスによって過度な信頼がもたらされ、従順な単一の不満が圧力を減らした。 人間のようなプレゼンテーションは、コンフォニティ・プレッシャーを上昇させることなく、特定のタスクにおける知覚の有用性とエージェンシーを高めた。
  論文  参考訳（メタデータ） (2026-03-23T16:17:05Z)
• Multi-Crit: Benchmarking Multimodal Judges on Pluralistic Criteria-Following [99.20581206115979]
  Multi-Crit は、マルチモーダルな審査員が複数の基準に従い、信頼できる基準レベルの判断を下す能力を評価するためのベンチマークである。 25 LMMの包括的分析から,1) プロプライエタリなモデルは,(特にオープンエンド評価において) 多元的基準への一貫した従順性を維持するのに苦慮している,2) オープンソースのモデルは,様々な基準に柔軟に遅れている,3) 全体論的判断信号による批判的微調整は,視覚的根拠を高めるが,多元的基準レベルの判断に一般化することができない,などが分かる。
  論文  参考訳（メタデータ） (2025-11-26T18:35:17Z)
• Optimal bounds for dissatisfaction in perpetual voting [84.02572742131521]
  我々は、投票者が何回も不満を抱いていないことを保証し、永遠の投票方法を考える。 我々は、不満のサブ線形成長が可能な有権者行動に関する十分な条件を特定する。 本稿では,専門家の助言による予測から得られた標準手法に基づいて,紛争条件下での不満をサブ線形に保証する投票手法を提案する。
  論文  参考訳（メタデータ） (2024-12-20T19:58:55Z)
• DebUnc: Improving Large Language Model Agent Communication With Uncertainty Metrics [52.242449026151846]
  大規模言語モデル(LLM)の精度向上のためのマルチエージェント論争が紹介されている。 エージェントの信頼性を評価するために不確実性指標を用いた議論フレームワークであるDebUncを提案する。
  論文  参考訳（メタデータ） (2024-07-08T22:15:01Z)
• On scalable oversight with weak LLMs judging strong LLMs [67.8628575615614]
  我々は、2つのAIが1人の裁判官を納得させようとする議論、すなわち1人のAIが1人の裁判官を説得し、質問をする。 大規模言語モデル(LLM)をAIエージェントと人間の判断のためのスタンドインの両方として使用し、判断モデルがエージェントモデルよりも弱いと判断する。
  論文  参考訳（メタデータ） (2024-07-05T16:29:15Z)
• ReConcile: Round-Table Conference Improves Reasoning via Consensus among Diverse LLMs [61.07130026622437]
  大規模言語モデル(LLM)は、まだ自然言語推論タスクに苦戦している。 心の社会に動機づけられて、我々はReConcileを提案する。 LLMエージェント間のラウンドテーブル会議として設計されたマルチモデルマルチエージェントフレームワーク。
  論文  参考訳（メタデータ） (2023-09-22T17:12:45Z)
• MADDM: Multi-Advisor Dynamic Binary Decision-Making by Maximizing the Utility [8.212621730577897]
  逐次二元決定設定において,助言者の集合を最適に選択するための新しい戦略を提案する。 我々は、根拠となる真実にアクセスできず、助言者の信頼性に関する事前の知識もないと仮定する。
  論文  参考訳（メタデータ） (2023-05-15T14:13:47Z)
• Learning from Multiple Independent Advisors in Multi-agent Reinforcement Learning [15.195932300563541]
  本稿では,マルチエージェント強化学習において,複数の独立アドバイザから同時に学習することの課題について考察する。 我々は、各州におけるアドバイザーを評価し、その後、アドバイザーを使用して行動選択をガイドすることで、アドバイザーの集合を組み込んだ原則付きアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-01-26T15:00:23Z)
• Who Reviews The Reviewers? A Multi-Level Jury Problem [20.193491214464185]
  我々は、ある独立した確率(コンピテンス)で、基礎的真理についての推測を正しく表現する独立したレビュアー(専門家)のグループからのアドバイスを用いて二元的基底的真理を決定するという問題を考察する。 実践的な設定では、レビュアーは非能率であり、すなわち半分以下の能力であり、専門家の数は少ないかもしれないため、コンドルチェット・ジャリー・セオリームは実際は関係がない。 より多くの椅子を持つ方がよい場合もあるが、多くの場合、より多くのレビュアーを持つほうがよい。
  論文  参考訳（メタデータ） (2022-11-15T20:47:14Z)

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。