論文の概要: An evolutionary origin of collective decision making in humans and machines

• arxiv url: http://arxiv.org/abs/2610.05676v1
• Date: Mon, 05 Oct 2026 01:42:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 12:08:29.386388
• Title: An evolutionary origin of collective decision making in humans and machines
• Title（参考訳）: 人間と機械における集団決定の進化的起源
• Abstract要約: 個人のグループは、どのメンバーよりも正確に集団問題を解くことができる。 住民投票における集団知能の進化のための枠組みを開発する。 グループ内で自分たちの意見が中心的な場合にのみ、個人に報酬を与える、"性的なフィードバック"の支払い構造を特定します。
• 参考スコア（独自算出の注目度）: 4.385900783954798
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Groups of individuals can solve collective problems more accurately than any single member, by aggregating their opinions. Recent theoretical work has identified individual-level reward schemes that allow uninformed individuals to evolve collective intelligence from the bottom up, through social learning. Yet these results are restricted to linear prediction problems and simple averaging, while the decision tasks that real groups confront are often non-linear, and the institutions that aggregate opinions are seldom single-layer averages: districts elect representatives who in turn vote on policy, referees advise editors who decide on publication. Here we develop a framework for the evolution of collective intelligence in multi-layer voting populations, where individuals observe limited information and groups recursively aggregate their opinions by majority rule. We prove that single-layer voting cannot solve non-linear classification problems under any individual reward scheme. We then identify a "marginal feedback" payoff structure, which rewards individuals only when their opinion is pivotal in their group, and at every layer above them. This reward scheme induces a layered population to evolve accurate collective solutions to complex, non-linear decision tasks through individual-level peer imitation alone. The collective behavior that emerges is equivalent to a multi-layer perceptron in machine learning. Our results provide a naturalistic account of hierarchical institutions, in which the outsize importance of swing voters is the incentive that sustains collective accuracy; and they identify the credit-assignment rule in machine learning as not just an engineered solution but a natural evolutionary outcome.
• Abstract（参考訳）: 個人のグループは、意見の集約によって、どのメンバーよりも正確な集合的な問題を解決することができる。 最近の理論的研究は、社会的学習を通じて、インフォームドされていない個人が集団的な知性をボトムアップから進化させることができるような個人レベルの報酬スキームを特定している。 しかし、これらの結果は線形予測問題や単純な平均化に制限されている一方で、現実の集団が直面する決定タスクは、しばしば非直線的であり、意見を集める機関は、しばしば単層平均である:地区は、政策に投票する代表を選出し、審判員は出版を決定する編集者に助言する。 ここでは,多層投票集団における集団知能の進化の枠組みを構築し,個人が限られた情報を観察し,集団が多数決で意見を再帰的に集約する。 単層投票は, 個別報酬方式では非線形分類問題を解くことができないことを証明した。 そして、彼らの意見がグループ、そしてその上のすべての層において重要なときのみ、個人に報酬を与える、"重大なフィードバック"の支払い構造を特定します。 この報奨スキームは階層化された集団を誘導し、個々のレベルのピア模倣だけで複雑な非線形決定タスクに対する正確な集合解を進化させる。 出現する集合的挙動は、機械学習における多層パーセプトロンと等価である。 この結果から,揺動投票の重要性が集団的正確性を維持するインセンティブであること,そして機械学習におけるクレジット割り当てルールを,単にエンジニアリングされたソリューションではなく,自然な進化的な結果であると認識する,階層的な制度の自然主義的な説明が得られた。

関連論文リスト

• LLMs Trust Their Own: Identity-Dependent Conformity in Multi-Agent Systems [11.404431115724085]
  大規模言語モデルの応答が他のエージェントの社会的アイデンティティに依存するかどうかを検討する。 グループアイデンティティの双方向効果が、誤った回答への適合性に与える影響を見いだす。 コンセンサスを急激に破る人間とは異なり、モデルは多数派の同盟者によって動かされない。
  論文  参考訳（メタデータ） (2026-09-27T12:02:18Z)
• Toward Collective-Centric Evaluation of Preference Inference for Participatory Democracy [19.98446089883166]
  私たちは、90万以上の参加者、100万票、22の言語にまたがる4つのコンサルテーションという、その種の最大のデータセットをコントリビュートしています。 実験により, 予測精度に匹敵するモデルが, 集合構造を保存する程度で大きく異なることを示す。 この研究は、民主的な成果の完全性を損なうことなく、熟考をスケールするAIシステムの開発を支援することを目的としている。
  論文  参考訳（メタデータ） (2026-09-02T15:23:00Z)
• Breaking $\textit{Winner-Takes-All}$: Cooperative Policy Optimization Improves Diverse LLM Reasoning [53.42577591449649]
  グループ協力政策最適化は、トレーニングパラダイムをロールアウト競争からチーム協力へとシフトさせる。 GCPOは独立したロールアウトスコアをチームレベルのクレジット割り当てに置き換える。 チームへの平均的な限界貢献に従って、各ロールアウトに対して、グループチームの報酬を再分配する。
  論文  参考訳（メタデータ） (2026-05-12T03:20:24Z)
• The Majority is not always right: RL training for solution aggregation [53.1050856072799]
  我々はアグリゲータモデルをトレーニングし、最終的な正解をレビューし、精査し、合成する。 重要な要素は、簡単なトレーニング例と厳しいトレーニング例のバランスを取ることだ。 我々の手法であるAggLMは、強いルールベースと報酬モデルベースラインの両方を上回ります。
  論文  参考訳（メタデータ） (2025-09-08T16:39:38Z)
• Harm Ratio: A Novel and Versatile Fairness Criterion [27.18270261374462]
  好奇心は公平な分業研究の基盤となっている。 本研究では, 新たな公正度基準, 個人に対する有害度比を提案する。 私たちの基準は、重要な意思決定アルゴリズムを区別するのに十分強力です。
  論文  参考訳（メタデータ） (2024-10-03T20:36:05Z)
• Moral Machine or Tyranny of the Majority? [25.342029326793917]
  Moral Machineプロジェクトでは、自動運転車に関する"Trolley Problems"に対する回答をクラウドソーシングした。 Noothigattu et al. は、各個人の好みを近似した線形関数を推論し、これらの線形モデルを集団全体の平均パラメータによって集約することを提案した。 本稿では,この平均化メカニズムについて検討し,戦略的効果の有無の公平性に焦点をあてる。
  論文  参考訳（メタデータ） (2023-05-27T00:49:11Z)
• Picking on the Same Person: Does Algorithmic Monoculture lead to Outcome Homogenization? [90.35044668396591]
  機械学習における繰り返しのテーマはアルゴリズムによるモノカルチャーである。同じシステム、またはコンポーネントを共有するシステムは、複数の意思決定者によってデプロイされる。 意思決定者がトレーニングデータや特定のモデルなどのコンポーネントを共有すれば、より均一な結果が得られます。 我々はこの仮説をアルゴリズムフェアネスベンチマークで検証し、トレーニングデータの共有がホモジェナイゼーションを確実に悪化させることを示した。 結果の均質化に関する哲学的分析と社会的な課題を、デプロイされた機械学習システムに含めることに着目して結論付ける。
  論文  参考訳（メタデータ） (2022-11-25T09:33:11Z)
• Unsupervised Learning of Debiased Representations with Pseudo-Attributes [85.5691102676175]
  教師なし方式で,単純かつ効果的な脱バイアス手法を提案する。 特徴埋め込み空間上でクラスタリングを行い、クラスタリング結果を利用して疑似属性を識別する。 次に,非偏り表現を学習するために,クラスタベースの新しい重み付け手法を用いる。
  論文  参考訳（メタデータ） (2021-08-06T05:20:46Z)
• Fair Hierarchical Clustering [92.03780518164108]
  従来のクラスタリングにおける過剰表現を緩和する公平性の概念を定義する。 我々のアルゴリズムは、目的に対して無視できない損失しか持たない、公平な階層的なクラスタリングを見つけることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T01:05:11Z)

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。