論文の概要: Social Choice Foundations for Simulation-Augmented Generation

• arxiv url: http://arxiv.org/abs/2609.38287v1
• Date: Tue, 29 Sep 2026 16:41:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.489141
• Title: Social Choice Foundations for Simulation-Augmented Generation
• Title（参考訳）: シミュレーション生成のための社会選択基盤
• Abstract要約: 距離比例正当性表現+(mPJR+)と呼ばれる比例クラスタリングの公理に基づいて、この問題の最初の形式化を導入する。 我々は、与えられたプロンプト上での人口数n_H$の視点を比例的に表すためには、$n ll n_H$の個人シミュレーションしか必要とせず、推論時には、そのプロンプトに基づいて、これらのシミュレーションのうち、$k ll n$への動的ルートのみが必要であることを証明した。 この2倍の減少は、人口全体のほぼ比例表現を保証する。
• 参考スコア（独自算出の注目度）: 45.123417505622776
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulation-augmented generation (SAGE) is a recent technical proposal in which models simulate individuals' viewpoints at inference time in order to provide more representative answers to contentious user queries. A core challenge for SAGE is making inference-time simulation efficient without sacrificing representation quality. We introduce the first formalization of this problem, based upon an axiom from proportional clustering known as metric proportional justified representation+ (mPJR+) which is the strongest proportionality axiom known to always be satisfiable by centroid-based clustering. We prove that to proportionally represent the viewpoints of a population of $n_H$ humans on a given prompt, we need only create simulations of $n \ll n_H$ individuals, and at inference time, need only dynamically route to $k \ll n$ of those simulations based upon the prompt. This twofold reduction still yields approximate proportional representation guarantees for the entire population. Empirically, across two domains-political questions and personal advice-our proposed routing algorithm achieves higher mPJR+ satisfaction rates than $k$-means-based or random selection baselines.
• Abstract（参考訳）: シミュレーション拡張ジェネレーション(SAGE)は、モデルが推論時間における個人の視点をシミュレートし、競合するユーザクエリに対してより代表的な回答を提供するという、最近の技術提案である。 SAGEの中核的な課題は、表現品質を犠牲にすることなく、推論時間シミュレーションを効率的にすることである。 本稿では, この問題の最初の公式化について, 計量正当性表現(mPJR+)と呼ばれる比例クラスタリングの公理に基づく。 我々は、与えられたプロンプト上での人口数n_H$の視点を比例的に表すためには、$n \ll n_H$の個人をシミュレーションするだけでよいことを証明し、推論時には、そのプロンプトに基づいて、これらのシミュレーションのうち、$k \ll n$への動的ルートしか必要としない。 この2倍の減少は、人口全体のほぼ比例表現を保証する。 実証的に、2つのドメイン間の質問と、提案したルーティングアルゴリズムにより、mPJR+の満足度は、$k$-meansベースまたはランダム選択ベースラインよりも高い。

関連論文リスト

• Robust Average-Reward Markov Decision Processes: Minimax-Optimal Learning via Plug-in Reductions [51.50375419691955]
  分布的に堅牢なマルコフ決定プロセスは、モデルの不確実性の下でのシーケンシャルな意思決定のための原則化されたフレームワークを提供する。 我々は,平均回帰基準の下で,$varepsilon$-Optimal robust policyを学習するのに必要なサンプル数と十分なサンプル数について検討した。
  論文  参考訳（メタデータ） (2026-08-06T19:49:48Z)
• DISCO: Diversifying Sample Condensation for Efficient Model Evaluation [59.01400190971061]
  コスト評価は傾向を低下させ、イノベーションのサイクルを遅くし、環境への影響を悪化させる。 モデル応答の多様性を最大化するサンプルを選択することが重要となる。 我々のメソッドである$textbfDiversifying Sample Condensation (DISCO)$は、最も大きなモデル不一致を持つトップkサンプルを選択します。
  論文  参考訳（メタデータ） (2025-10-09T08:53:59Z)
• Computational-Statistical Gaps in Gaussian Single-Index Models [77.1473134227844]
  単次元モデル(Single-Index Models)は、植木構造における高次元回帰問題である。 我々は,統計的クエリ (SQ) と低遅延多項式 (LDP) フレームワークの両方において,計算効率のよいアルゴリズムが必ずしも$Omega(dkstar/2)$サンプルを必要とすることを示した。
  論文  参考訳（メタデータ） (2024-03-08T18:50:19Z)
• Optimal Multi-Distribution Learning [88.3008613028333]
  マルチディストリビューション学習は、$k$の異なるデータ分散における最悪のリスクを最小限に抑える共有モデルを学ぶことを目指している。 本稿では, (d+k)/varepsilon2の順に, サンプルの複雑さを伴って, ヴァレプシロン最適ランダム化仮説を導出するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-08T16:06:29Z)
• Sample-Efficient Linear Representation Learning from Non-IID Non-Isotropic Data [4.971690889257356]
  コリンズとナイアーとヴァスワニによって提案された交互最小化・退化スキームの適応について紹介する。 iidにおいてもバニラ変動最小化降下は破滅的に失敗するが, 軽度に非等方性データは得られない。 我々の分析は、事前の作業を統一し、一般化し、幅広いアプリケーションに柔軟なフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-08-08T17:56:20Z)
• Improved Prediction and Network Estimation Using the Monotone Single Index Multi-variate Autoregressive Model [34.529641317832024]
  単調単一指数多変量自己回帰モデル(SIMAM)に基づく半パラメトリックアプローチを開発する。 我々は、従属データに対する理論的保証と、交互に投影される勾配降下アルゴリズムを提供する。 シミュレーションデータと2つの実データ例において,優れた性能を示す。
  論文  参考訳（メタデータ） (2021-06-28T12:32:29Z)

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。