テスト時計算量の市場メカニズム：LLMサービスの社会的非効率性とオークションによる解決策
TL;DR大規模言語モデル（LLM）の推論能力向上に有効な「テスト時計算量」の増加は、クラウドプロバイダーの利益を優先し、ユーザーコストを増大させる社会的非効率を生んでいる。本研究はこの問題を解決するため、プロバイダーが入札を行う逆第二価格オークションメカニズムを提案し、LlamaやQwenなどを用いた実験でその有効性を検証した。
Cog AI Archive
最新の記事
人気記事ピックアップ
RedSage: サイバーセキュリティに特化した汎用LLM
TL;DRRedSageは、プライバシーリスクを回避しつつ多様なセキュリティ業務を支援するために開発された、オープンソースのサイバーセキュリティ特化型LLMである。118億トークンの専門データによる事前学習と、エージェントベースのパイプラインで生成された26.6万件の指示データによる調整を経て、既存モデルを上回る性能を実現した。
学習エージェントを用いた混雑ゲームにおける不平等性：誰が交通網拡大の恩恵を受けるのか？
TL;DR交通網の拡張はモビリティ向上を目的とするが、不平等を生む可能性もある。本研究は、通勤者を強化学習エージェントとしてモデル化し、学習速度の違いがどのように不平等を引き起こすかを分析した。シミュレーションの結果、ネットワーク拡張は効率を高める一方で、適応の早い学習者が不釣り合いに利益を得ることで不平等を拡大させる可能性が示された。
コンテンツ推薦を導く：コンテンツプロモーションのための情報認識型自動入札
TL;DRコンテンツプラットフォームにおける有料プロモーションが、実は高品質なコンテンツの将来的な推薦を阻害している可能性を指摘した研究です。この問題を解決するため、短期的価値と長期的モデル改善を両立させる新しい自動入札アルゴリズムを提案。情報理論に基づくアプローチで、予算内で効果的に学習信号を獲得し、推薦精度とプロモーション効果の向上を実現します。
マルチエージェントメカニズム設計による査読プロセスの再構築
TL;DRソフトウェア工学研究における査読システムの崩壊危機に対し、計算論的解決策を提唱するポジションペーパー。研究コミュニティを確率的マルチエージェントシステムとしてモデル化し、マルチエージェント強化学習（MARL）を用いて、投稿クレジット経済や最適化された査読者割り当て等のインセンティブ適合プロトコルを設計する新たな研究課題を提示する。
LLM生成応答への広告挿入
TL;DR大規模言語モデル（LLM）の持続可能な収益化に向け、会話の流れや文脈に適した広告挿入を行う新たなフレームワークを提案した研究。広告挿入と回答生成を分離し、入札を具体的なクエリではなく「ジャンル」単位で行うことで、安全性、プライバシー、計算効率を両立させる。VCGオークションの適用により、社会厚生の最適化とインセンティブの両立も示された。
クレジット公平性：共有リソースプールにおけるオンライン公平性
TL;DRエージェント間でリソースを共有する際、従来の「各ラウンドでの効用最小化（Max-Min）」手法は、エージェント間のリソース配分に大きな格差を生む可能性がある。本論文では、初期にリソースを貸したエージェントが後に回収できることを保証する「クレジット・フェアネス」という概念を導入し、これとパレート効率性を両立させる新たなメカニズムを提案する。
保存済みの記事がまだありません。
読み込み中…