[論文レビュー] Measurements of collective machine intelligence

Michel Halmes|arXiv (Cornell University)|Jun 27, 2013

Evolutionary Game Theory and Cooperation参考文献 41被引用数 4

ひとこと要約

本稿では、AIエージェントのグループにおけるタスク割り当てと共同意思決定を統合することで、集団的機械知能を測定する形式的フレームワークを提案する。特殊化された協働的割り当てが個々のエージェントを上回る性能を示すことが実証されており、知的な投票システムと適応的割り当てモデルによって性能が向上する。これは、構造的な協働によって集団知能が個々の能力を上回り得ることを示している。

ABSTRACT

Independent from the still ongoing research in measuring individual intelligence, we anticipate and provide a framework for measuring collective intelligence. Collective intelligence refers to the idea that several individuals can collaborate in order to achieve high levels of intelligence. We present thus some ideas on how the intelligence of a group can be measured and simulate such tests. We will however focus here on groups of artificial intelligence agents (i.e., machines). We will explore how a group of agents is able to choose the appropriate problem and to specialize for a variety of tasks. This is a feature which is an important contributor to the increase of intelligence in a group (apart from the addition of more agents and the improvement due to common decision making). Our results reveal some interesting results about how (collective) intelligence can be modeled, about how collective intelligence tests can be designed and about the underlying dynamics of collective intelligence. As it will be useful for our simulations, we provide also some improvements of the threshold allocation model originally used in the area of swarm intelligence but further generalized here.

研究の動機と目的

• AIエージェントのグループにおける集団知能を測定する形式的フレームワークの構築を目的とする。
• 共同意思決定とタスク割り当てが、個々のエージェントの能力を超えて集団知能をどのように向上させるかを調査することを目的とする。
• 社会的ダイナミクスと適応的リソース割り当てを組み込んだ集団知能のテストを設計・シミュレーションすることを目的とする。
• 多タスクかつ異種エージェント環境に応用可能な、しきい値割り当てモデルの精錬と一般化を目的とする。
• エージェントの能力、問題の難易度、投票システムが集団パフォーマンスに与える影響を調査することを目的とする。

提案手法

• 個々のエージェントの知能を、パrameterized能力 α を用いた項目反応関数でモデル化し、性能 Pλ(α) は問題解決の正確性を反映する。
• 刺激強度 Sj としきい値 θij に従ってエージェントがタスク間を確率的に入れ替えるしきい値ベースの割り当てモデルを採用し、エージェント固有の知能を組み込むように一般化している。
• エージェントの能力 Pλ(α) から導かれる重みを用いて意思決定を集約する投票システムを導入し、グループの正確性を向上させている。
• 複数の問題において、専門性やノイズの条件を変えて、同質的および異質的エージェントグループのパフォーマンスをシミュレーションしている。
• しきい値の更新と刺激強度の動的適応ルールを実装し、エージェントの知能に応じた割り当て不正確性をモデル化するための摂動を含んでいる。
• エージェントに問題の難易度や自身の能力の測定値を提供した場合の影響をテストし、ランダムおよび最良模倣といったメカニズムを用いて社会的学習をモデル化している。

実験結果

リサーチクエスチョン

• RQ1 協働と専門性を通じて、集団の知能は、最も知能の高い個々のエージェントの知能を著しく上回ることができるか？
• RQ2 特に重み付き投票が、単純な過半数決裁と比較して、集団パフォーマンスにどのように影響するか？
• RQ3 問題の難易度や自身の能力の測定値をエージェントに提供すると、集団知能にどのような影響を与えるか？
• RQ4 特に専門的割り当てが、多タスク環境における全体のグループパフォーマンスに与える影響は何か？
• RQ5 しきい値割り当てモデルは、知能依存の割り当て正確性を反映するために適応可能か？また、その結果として生じる影響は何か？

主な発見

• 専門化されたエージェントは、非専門化されたエージェントよりも著しく高い集団的パフォーマンスを達成しており、集団知能を高めるためにタスク専門性が有効であることが示された。
• エージェントの能力に応じた重みを付ける重み付き投票システムは、特に高・低パフォーマンスのエージェントが共存する状況で、単純過半数決裁を上回る性能を示した。
• 問題の難易度の測定値をエージェントに提供することで、特に複雑な多タスクシナリオにおいてグループパフォーマンスが向上した。
• 正確性が50％未満のエージェントでさえ、最適な投票スキームで投票を逆転させる（負の重みを付ける）ことで、グループに貢献できることが分かった。
• 高い α 値を示す知的エージェントは、より正確なタスク割り当て意思決定が可能であり、α に応じた割り当て確率の摂動により、動的環境におけるロバストネスが向上した。
• しきい値割り当てモデルは、ノイズ項をエージェントの知能に逆比例する形で含むなど、適応的ルールを組み込むことで一般化・強化可能であり、現実世界の割り当てダイナミクスをよりよく反映できるようになった。