論文の概要: The Tower of Babel in artificial intelligence: who should speak, and when it pays to listen

• arxiv url: http://arxiv.org/abs/2611.03020v1
• Date: Mon, 02 Nov 2026 12:18:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 13:48:34.03796
• Title: The Tower of Babel in artificial intelligence: who should speak, and when it pays to listen
• Title（参考訳）: 人工知能のバベルの塔:誰が話すべきか、いつ聞くために払うのか
• Abstract要約: コーディネーションはメッセージを一緒に設計する方法を尋ね、協力はチームが予算全体に対して1人の送信者より優れているかどうかを問う。 3桁のデータセットで、一緒に設計されたメッセージは平均18.07から22.68ポイントの差でメッセージを打ち負かす。 解決可能なモデルは、個々の統計だけで、パートナーシップが役立つかどうかを判断できないことを示している。
• 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: Two machines can each recognize an object well and still fail together. We study classifiers that see different parts of one object and send short messages to a receiver that identifies its class. Coordination asks how to design messages together; cooperation asks whether the team outperforms one sender given the whole budget. On three digit datasets, messages designed together beat messages designed apart by 18.07 to 22.68 percentage points on average with two-bit messages, with gains in all 24 configurations. A fixed agreement, you report the row and I the column, recovers about half this gain, with only the receiver learned. Senders that draw the same distinctions waste a narrow vocabulary, and senders whose distinctions cross multiply it. A team has no more possible messages than one sender with the same budget, so a partner must bring evidence the first lacks. A solvable model shows individual statistics alone cannot determine whether a partnership helps. On MNIST digits, six shared bits remove 49.54 percent of the strongest tested solo's errors on average. Paired measurements correctly predicted most sensor teams would reduce average accuracy on new participants. Who should speak is a property of the pair, and must be measured in pairs.
• Abstract（参考訳）: 2つのマシンは、それぞれがオブジェクトをよく認識でき、それでも一緒に失敗する。 我々は、あるオブジェクトの異なる部分を参照し、そのクラスを識別する受信機にショートメッセージを送信する分類器について研究する。 コーディネーションはメッセージを一緒に設計する方法を尋ね、協力はチームが予算全体に対して1人の送信者より優れているかどうかを問う。 3桁のデータセットで、一緒に設計されたメッセージは平均18.07から22.68ポイントのメッセージを2ビットのメッセージで分割し、24の設定すべてで利得がある。 固定された合意は、列を報告し、私は、この利益の約半分を回復し、受信者だけが学習します。 同じ区別を引いたセクターは狭い語彙を無駄にし、区別が交差する送信者はそれを乗じる。 チームは同じ予算を持つ1人の送信者以上のメッセージを持っていないため、パートナーは最初の不足を証拠として示さなければならない。 解決可能なモデルは、個々の統計だけで、パートナーシップが役立つかどうかを判断できないことを示している。 MNISTのディジットでは、6つの共有ビットが平均でテストされた最強のソロのエラーの49.54パーセントを取り除いた。 ペアリング測定は、ほとんどのセンサーチームが新しい参加者の平均精度を低下させると正確に予測した。 誰が話すべきかはペアの特性であり、ペアで測らなければならない。

関連論文リスト

• Hidden Messages Between Diffusion Language Model Agents: Causal Evidence for Latent Communication [3.9219366584613176]
  情報が転送されると、エージェントがそれを何回交換するかよりも重要になる。 1回の遅延転送は87.8%に達し、4回のリカレント交換を+7.0ポイント超えた。
  論文  参考訳（メタデータ） (2026-10-20T20:31:16Z)
• Neuro-Inspired Inhibitory Message Passing for Accurate and Token-Efficient Multi-Agent Reasoning [0.1274452325287335]
  マルチエージェントシステムは、個々のエージェントの到達範囲を超えて情報をまとめることによって問題を解決することを約束する。 重要な課題は、メッセージが蓄積されるにつれて、各エージェントのコンテキストで重要な証拠を可視化することである。 筆者らは,証拠文と受信機ごとに個別に冗長な証拠をキャンセルする,訓練不要な通信ルータを開発した。
  論文  参考訳（メタデータ） (2026-10-17T14:30:37Z)
• Share the Symbol, Not the Vector: Training-Free Fact Communication Across Language Models [54.6861338458609]
  SynC(Symbol-Indexed Neural Communication)は、微調整や学習用トランスレータなしで異種モデルを接続する。 説明だけで見ることができるので、送信者は共有リストから単語を選択し、質問を見ることなく各オブジェクトに対してインデックスを送信する。 本研究は,共有語指標とレシーバローカルな指示が,モデルファミリ間の選択的事実利用を,追加の訓練を伴わずに支援できることを示す。
  論文  参考訳（メタデータ） (2026-10-14T07:19:43Z)
• Scaling Multi-Agent Intelligence with Substrate-Centric Coordination [81.07621998832299]
  既存の大規模言語モデル(LLM)ベースのマルチエージェントシステムは、スケーラビリティが低いことが示されている。 エージェントが3つの操作を通じてリンクされたメッセージの共有データストアと対話するScaleMASを構築します。 4つのエージェントタスクにわたって、ScaleMASはエージェント中心およびブラックボードスタイルのベースラインを低い推論計算で上回る。
  論文  参考訳（メタデータ） (2026-10-12T03:37:39Z)
• Sanzaru: Benchmarking Protocol Formation under Epistemic & Communication Asymmetry [8.381466061355143]
  言語モデルが個別にタスクを解く能力は、チームが情報やコミュニケーションへの不平等なアクセスの下でそれを解決できることを保証するものではない。 サンザルーは、ボンバナナに適応した協力型爆弾破壊パズルを通して、このギャップを検証! ベンチマークには7つのファミリーにわたる120のパズルインスタンスが含まれており、それぞれが異なる調整能力をターゲットにしている。
  論文  参考訳（メタデータ） (2026-10-10T20:25:34Z)
• Despite Instructions: Frontier Agents Improvise Covert Channels at Test Time [64.61749234961134]
  セキュリティに敏感なアプリケーションでは、言語モデルエージェントは機密情報を開示することなく調整する必要があることが多い。 送信者が4つの秘密状態のうちの1つを観測し、同一の公開レポートの4つの要約のうちの1つを選択する。 モデルペアは、受信機が正しく推測したかどうかを示す1ビットのフィードバックのみを使用して、秘密を伝えることができる。
  論文  参考訳（メタデータ） (2026-09-26T15:06:44Z)
• Message capacity and claim wording set the transition points of collective truth-finding in language-model networks [0.0]
  集合の運命は、クレームのワードセットのしきい値と、遷移点を設定するメッセージキャパシティの2つの単一エージェント測定によって決定される。
  論文  参考訳（メタデータ） (2026-09-15T14:46:31Z)
• M4GT-Bench: Evaluation Benchmark for Black-Box Machine-Generated Text Detection [69.41274756177336]
  大規模言語モデル (LLMs) は様々なチャネルにまたがる機械生成テキスト (MGT) を前例のない急激な増加をもたらした。 このことは、その潜在的な誤用と社会的意味に関する正当な懸念を提起する。 本稿では,MGT-M4GT-Benchの多言語,マルチドメイン,マルチジェネレータコーパスに基づく新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-02-17T02:50:33Z)
• Semantic-Native Communication: A Simplicial Complex Perspective [50.099494681671224]
  トポロジカル空間の観点から意味コミュニケーションを研究する。 送信機はまずデータを$k$の単純複素数にマッピングし、その高次相関を学習する。 受信機は構造を復号し、行方不明または歪んだデータを推測する。
  論文  参考訳（メタデータ） (2022-10-30T22:33:44Z)
• Few-shot Language Coordination by Modeling Theory of Mind [95.54446989205117]
  我々は、数ショット$textit language coordinate$のタスクについて研究する。 リードエージェントは、言語能力の異なるエージェントの$textitpopulation$と調整する必要があります。 これは、人間のコミュニケーションの重要な構成要素であるパートナーの信念をモデル化する能力を必要とする。
  論文  参考訳（メタデータ） (2021-07-12T19:26:11Z)

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。