論文の概要: Collective Benefits and Efficiency in Coupled Echo State Networks

• arxiv url: http://arxiv.org/abs/2610.17506v1
• Date: Tue, 13 Oct 2026 00:07:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 18:35:10.679353
• Title: Collective Benefits and Efficiency in Coupled Echo State Networks
• Title（参考訳）: 結合Echo状態ネットワークにおける集合的メリットと効率性
• Abstract要約: 本稿では, 相互作用が接合性能に与える影響を, 精度と効率の観点から検討するための貯水池計算モデルを提案する。 モデル力学は相互作用が有益であるのに対して、集約された出力は時間の経過とともに暴走フィードバックから逸脱する傾向があることを明らかにした。 本研究の結果は,相互作用が集団知性を高める時期と理由を説明するための公式な枠組みを提供する。
• 参考スコア（独自算出の注目度）: 0.11199585259018456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simple aggregation of independent responses ("wisdom of crowds") generally improves collective performance through statistical facilitation, but interaction among members can sometimes hinder group outcomes. However, under certain circumstances, coordination studies show that interacting groups can outperform their individual members and nominal groups, and interaction can also be more efficient than independence. We present a reservoir computing model to investigate how interaction can enhance joint performance in terms of accuracy and efficiency. Echo state networks were trained independently to identify Japanese speakers from vowel recordings and tested jointly with and without coupled feedback. Model pairs reproduced the dyadic advantage reported by Bahrami et al. (2010) with interaction via pooled-feedback, but not when independent responses were aggregated together. Model dynamics revealed that interaction was beneficial whereas aggregated outputs were prone to diverging from runaway feedback over time. In terms of efficiency, larger groups of smaller interacting models outperformed smaller groups of larger models while equating for total amount of group computation. Our results offer a formal framework for explaining when and why interaction enhances collective intelligence.
• Abstract（参考訳）: 独立した反応(群集の知恵)の単純な集約は、一般に統計的ファシリテーションを通じて集団のパフォーマンスを向上させるが、メンバー間の相互作用はグループの結果を妨げることがある。 しかし、ある状況下では、協調研究により、相互作用するグループは個々のメンバーや名目上のグループよりも優れており、相互作用は独立性よりも効率的であることが示されている。 本稿では, 相互作用が接合性能に与える影響を, 精度と効率の観点から検討するための貯水池計算モデルを提案する。 エコー状態ネットワークは、母音録音から日本語話者を識別するために独立に訓練され、結合したフィードバックを伴わずに共同でテストされた。 モデルペアは、Bahrami et al (2010) が報告したダイアディック的優位性を、プールされたフィードバックによる相互作用で再現したが、独立した応答が集約されたときではない。 モデル力学は相互作用が有益であるのに対して、集約された出力は時間の経過とともに暴走フィードバックから逸脱する傾向があることを明らかにした。 効率の面では、より小さな相互作用するモデルのより大きなグループは、グループ計算の総量に等しく、より小さなモデルの小さなグループよりも優れていた。 本研究の結果は,相互作用が集団知性を高める時期と理由を説明するための公式な枠組みを提供する。

関連論文リスト

• Persuasive and Compliant Tendencies Predict Group Decision-Making in Humans and Language Models [65.21691850622413]
  大規模言語モデル(LLM)は、人間との集団意思決定にますます関与している。 本稿では,各モデルの説得性およびコンプライアンス傾向を測定するための質問紙ベースのフレームワークであるDecisionQEを紹介する。 より強い説得傾向はグループの結果を著しく改善しないが、コンプライアンス指向モデルは協調においてより安定した優位性を示す。
  論文  参考訳（メタデータ） (2026-08-08T15:50:56Z)
• Learning Human-Object Interaction as Groups [52.28258599873394]
  GroupHOIは、幾何学的近接性および意味的類似性の観点から文脈情報を伝播するフレームワークである。 これは、より困難な非言語間相互作用検出タスクにおいて、主要なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-10-21T07:25:10Z)
• Problem-Solving in Language Model Networks [44.99833362998488]
  この研究は、マルチエージェント論争の概念をより一般的なネットワークトポロジに拡張する。 質問応答の正確さ、影響、コンセンサス、および集団に対する偏見の影響を測定する。
  論文  参考訳（メタデータ） (2024-06-18T07:59:14Z)
• Scaling Large Language Model-based Multi-Agent Collaboration [72.8998796426346]
  近年の大規模言語モデル駆動型自律エージェントのブレークスルーにより、複数エージェントのコラボレーションが集団的推論を通じて各個人を上回ることが判明している。 本研究は、協調剤の連続的な添加が同様の利益をもたらすかどうかを考察する。
  論文  参考訳（メタデータ） (2024-06-11T11:02:04Z)
• Rethinking Trajectory Prediction via "Team Game" [118.59480535826094]
  本稿では,対話型グループコンセンサスの概念を明示的に導入した,マルチエージェント軌道予測の新しい定式化について述べる。 チームスポーツと歩行者の2つのマルチエージェント設定において,提案手法は既存手法と比較して常に優れた性能を達成している。
  論文  参考訳（メタデータ） (2022-10-17T07:16:44Z)
• Interaction Pattern Disentangling for Multi-Agent Reinforcement Learning [39.4394389642761]
  本稿では,対話型対話を対話型プロトタイプに切り離すための新しい対話型On Pattern DisenTangling (OPT) 手法を提案する。 OPTは無関係な実体間のノイズの相互作用をフィルタリングしやすくし、一般化可能性や解釈可能性を大幅に向上させる。 単一タスク,マルチタスク,ゼロショットのベンチマーク実験により,提案手法が最先端のベンチマークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-07-08T13:42:54Z)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)
• Information Interaction Profile of Choice Adoption [2.9972063833424216]
  相互作用するエンティティを分離する時間的距離に応じて、エンティティの相互作用ネットワークとその進化を推定する効率的な方法を紹介します。 相互作用プロファイルは、相互作用プロセスのメカニズムを特徴付けることができます。 ユーザに対する露出の組み合わせの効果は、各露出の独立した効果の総和以上のものであることを示す。
  論文  参考訳（メタデータ） (2021-04-28T10:42:25Z)

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。