アリのコロニーとアンサンブル学習の間の同型機能：第II部—弱い学習可能性の強さとブースティングのパラダイム

arXiv stat.ML / 2026/4/2

📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、先行する第I部の結果を拡張し、アリのコロニーの意思決定とアンサンブル学習の間に数学的な同型（isomorphism）を示すことで、今度は非相関化による分散低減ではなく、適応的な重み付けによるバイアス低減に焦点を当てる。
AdaBoostのインスタンス再重み付けおよびブースティングのマージン理論を、フェロモン増幅とクォーラム（群れの安定性）によって駆動されるアリの募集（採用）ダイナミクスに対応づける。
著者らは、コロニーの意思決定における「弱い学習可能性（weak learnability）」の定理に対する直接的な類似性が成り立つと主張し、弱い性能の条件が最終的な集団の精度向上につながることを結び付ける。
幅広いシミュレーションにより、適応的な募集を行うアリのコロニーが、ブースティング・アルゴリズムと同様のバイアス低減の利点を得ることを報告している。
全体として本研究は、生物学的アンサンブルと計算上のアンサンブルの両方が、2つの補完的なメカニズムを通じて同じ基礎となる数学的原理を共有するという、「アンサンブル知能（ensemble intelligence）」の統一的理論を提案する。

Abstract

本シリーズ第I部において、アリコロニーの意思決定とランダムフォレスト学習との間に、厳密な数学的同型を確立し、生物学的アンサンブルと計算機的アンサンブルの双方に共通する普遍原理として、デコリレーションによる分散低減を示しました。ここでは補完的なメカニズム、すなわち適応的な重み付けによるバイアス低減へと移ります。ブースティングアルゴリズムが逐次的に難しい事例へ焦点を当てるのと同様に、アリコロニーは、フェロモンを介した誘引（リクルートメント）によって、成功した採餌経路を動的に増幅します。これらの過程が数学的に同型であることを証明し、弱い学習可能性の基本定理が、コロニーの意思決定において直接の対応物を持つことを確立します。AdaBoostにおける適応的な再重み付けと、アリの誘引ダイナミクスとの間の形式的な対応付けを構築し、ブースティングのマージン理論が、クオラム（多数決）に基づく意思決定の安定性に対応することを示し、さらに包括的なシミュレーションによって、適応的な誘引を実装するアリコロニーが、ブースティングアルゴリズムと同等のバイアス低減の利点を達成することを実証します。これにより、アンサンブル知能に関する統一理論が完成し、分散低減（第I部）とバイアス低減（第II部）の両方が、生物学的システムと計算機的システムにおける集団知能を支配する同一の根本的数学原理の現れであることが明らかになります。