論文の概要: The Universe of Universes: Benefit Yield Functions, Implosion Thresholds, and Infrastructure-Aware Optimization in Multi-LLM Systems

• arxiv url: http://arxiv.org/abs/2609.15314v1
• Date: Mon, 14 Sep 2026 10:04:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.258676
• Title: The Universe of Universes: Benefit Yield Functions, Implosion Thresholds, and Infrastructure-Aware Optimization in Multi-LLM Systems
• Title（参考訳）: ユニバース・オブ・ユニバース:マルチLLMシステムにおけるベネフィット収量関数、インプロジョン閾値、インフラストラクチャ・アウェア最適化
• Abstract要約: 本研究では,主要な大規模言語モデル (LLM) のエコシステム全体を構造化された検索コーパスとして扱う,ユニバース・オブ・ユニバース (UoU) フレームワークを紹介する。 中心的な貢献は、ベネフィット収量関数(BYF)の形式的特徴付け、アンサンブルに追加された追加モデル当たりの限界性能利得、インロジョン閾値*の同定である。
• 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: We introduce the Universe of Universes (UoU) framework, which treats the full ecosystem of major large language models (LLMs) as a structured retrieval corpus and proposes a compositional Automated Reasoning (AR) and Machine Learning (ML) architecture for cross-model retrieval-augmented generation. The central contribution is the formal characterization of the Benefit Yield Function (BYF), the marginal performance gain per additional model added to an ensemble, and the identification of the implosion threshold θ*: the ensemble size at which BYF crosses zero and aggregate performance begins to degrade. Existing LLM ensemble and mixture-of-agents systems treat models as responders and aggregate outputs, but do not study performance as a function of ensemble size N across the full model universe. Benchmark research confirms performance plateaus at the individual model level; model collapse literature establishes that iterative training on AI-generated outputs degrades individual model distributions. Neither body of work formalizes the ensemble-level implosion threshold, models Epistemic Hereditary Drift (EHD) at the ecosystem level, or treats AI manufacturing velocity as a co-variable of θ*. The framework has direct implications for DoD multi-model AI acquisition policy and the emerging science of testing AI-enabled systems.
• Abstract（参考訳）: 本研究では,主要な大言語モデル(LLM)のエコシステム全体を構造化された検索コーパスとして扱うユニバース・オブ・ユニバース(UoU)フレームワークを紹介し,クロスモデル検索拡張生成のための合成自動推論(AR)と機械学習(ML)アーキテクチャを提案する。 中心的な貢献は、ベネフィット収量関数(BYF)の形式的特徴、アンサンブルに付加されたモデル当たりの限界性能ゲイン、インロジョンしきい値 θ* の同定である。 既存のLLMアンサンブルと混合エージェントシステムは、モデルを応答子と集約出力として扱うが、フルモデル宇宙全体にわたるアンサンブルサイズNの関数としての性能は研究しない。 モデル崩壊文学は、AIが生成する出力に対する反復的なトレーニングが個々のモデル分布を劣化させることを証明している。 どちらの作業もアンサンブルレベルのインロージョン閾値を定式化せず、生態系レベルでの疫学的遺伝ドリフト(EHD)をモデル化したり、あるいはAI製造速度をθ*の共変量として扱う。 このフレームワークは、DoDマルチモデルAI取得ポリシーと、AI対応システムをテストする新たな科学に直接的な意味を持っている。

関連論文リスト

• From World Action Models to Embodied Brains: A Roadmap for Open-World Physical Intelligence [54.62791372989525]
  アクションモデル、ビジョン言語-アクションポリシー、世界モデルは、この目標を前進させた。 世界行動モデル(WAM)は、候補者の介入と予測された結果とを結びつけるため、特に有望である。 我々は、WAMへの進化をレビューし、これらの制限をモデルの役割と表現、目的と標準化、システム構成という3つの組み合わせのギャップにまとめる。
  論文  参考訳（メタデータ） (2026-07-13T15:22:56Z)
• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• Hierarchical Inference and Closure Learning via Adaptive Surrogates for ODEs and PDEs [15.38864225184245]
  逆問題は、データに合うようにモデルを校正するタスクである。 我々は、異なるが関連する物理システムのコレクションからのデータを活用するための原則的方法論を開発する。 我々は、MLベースのクロージャモデルという形で、共有未知のダイナミクスを学習する。
  論文  参考訳（メタデータ） (2026-03-04T10:30:08Z)
• Power and Limitations of Aggregation in Compound AI Systems [10.867699486308197]
  スタイル化された主エージェントフレームワークにおけるアグリゲーションのパワーと制限について検討する。 我々の分析では、実現可能性の拡大、サポート拡張、バインディングセットの収縮という3つの自然なメカニズムが明らかになった。 我々の結果は、複合AIシステムがモデル能力と迅速なエンジニアリングの限界を克服できる時を特徴付けるための一歩を踏み出した。
  論文  参考訳（メタデータ） (2026-02-25T04:23:50Z)
• The Law of Multi-Model Collaboration: Scaling Limits of Model Ensembling for Large Language Models [54.51795784459866]
  マルチモデル協調のための性能スケーリングの理論的枠組みを提案する。 本稿では,マルチモデルシステムにおいて,パラメータの総数に関して,パワー則のスケーリングが従うことを示す。 不均一なモデルファミリのアンサンブルは、単一のモデルファミリ内で形成されたものよりも優れたパフォーマンスのスケーリングを実現する。
  論文  参考訳（メタデータ） (2025-12-29T09:55:12Z)
• GLUE: Generative Latent Unification of Expertise-Informed Engineering Models [3.005158583027536]
  GLUE(Generative Latent Unification of Expertise-Informed Engineering Models)を紹介する。 GLUEは、事前訓練された凍結したサブシステムジェネレータをオーケストレーションし、システムレベルの実現可能性、最適性、多様性を強制する。 5つの結合制約を持つUAV設計問題において、データ駆動型アプローチは多種多様な高性能な設計をもたらすが、制約を確実に満たすためには大きなデータセットを必要とする。
  論文  参考訳（メタデータ） (2025-12-22T15:23:19Z)
• FedAvgen: Metadata for Model Aggregation In Communication Systems [3.6957462300442736]
  デバイスプロファイルにおける存在多様性から生じる課題について検討する。 このアプローチは、フェデレートラーニング(federated learning)として知られ、本質的には、グローバルモデルを得るために平均された候補クライアントモデルを選択するために、異なるテクニックを使用している。 次に,FedAvg(Federated Averaging)とFedSGD(Federated Gradient Descent)という2つの広く採用されているフェデレーション学習アルゴリズムと比較した。
  論文  参考訳（メタデータ） (2025-04-28T13:11:32Z)
• Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
  本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。 私たちのフレームワークは、3つの新しい目標のファミリーにつながります。 Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
  論文  参考訳（メタデータ） (2024-10-10T17:18:30Z)
• Sparse Modular Activation for Efficient Sequence Modeling [94.11125833685583]
  線形状態空間モデルと自己アテンション機構を組み合わせた最近のモデルでは、様々なシーケンスモデリングタスクにおいて顕著な結果が示されている。 現在のアプローチでは、アテンションモジュールを静的かつ均一に入力シーケンスのすべての要素に適用し、最適以下の品質効率のトレードオフをもたらす。 SMA(Sparse Modular Activation)は,ニューラルネットワークが配列要素のサブモジュールを異なる方法でスパースに活性化する機構である。
  論文  参考訳（メタデータ） (2023-06-19T23:10:02Z)
• A General Framework for Sample-Efficient Function Approximation in Reinforcement Learning [132.45959478064736]
  モデルベースとモデルフリー強化学習を統合した汎用フレームワークを提案する。 最適化に基づく探索のための分解可能な構造特性を持つ新しい推定関数を提案する。 本フレームワークでは,OPERA (Optimization-based Exploration with Approximation) という新しいサンプル効率アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-30T17:59:16Z)
• FedHM: Efficient Federated Learning for Heterogeneous Models via Low-rank Factorization [16.704006420306353]
  スケーラブルなフェデレート学習フレームワークは、異なる計算能力と通信能力を備えた異種クライアントに対処する必要がある。 本稿では,不均一な低ランクモデルをクライアントに分散し,それらをグローバルなフルランクモデルに集約する,新しいフェデレーションモデル圧縮フレームワークであるFedHMを提案する。 我々のソリューションは、計算複雑性の異なる異種局所モデルの訓練を可能にし、単一の大域的モデルを集約する。
  論文  参考訳（メタデータ） (2021-11-29T16:11:09Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)

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。