論文の概要: A DbC Inspired Neurosymbolic Layer for Trustworthy Agent Design

• arxiv url: http://arxiv.org/abs/2508.03665v1
• Date: Tue, 05 Aug 2025 17:24:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 18:18:56.098117
• Title: A DbC Inspired Neurosymbolic Layer for Trustworthy Agent Design
• Title（参考訳）: 信頼できるエージェント設計のためのDbCインスパイアされたニューロシンボリック層
• Authors: Claudiu Leoveanu-Condrei,
• Abstract要約: 私たちはDesign by Contractの原則を適用して、すべての大規模言語モデルの呼び出しを仲介するコントラクトを導入します。 契約満足度は確率的であり、セマンティックな検証は運用上定義されます。 この研究は、同一の契約を満たす2つのエージェントがそれらの契約に対して機能的に等価であると仮定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models, particularly Large Language Models (LLMs), produce fluent outputs yet lack verifiable guarantees. We adapt Design by Contract (DbC) and type-theoretic principles to introduce a contract layer that mediates every LLM call. Contracts stipulate semantic and type requirements on inputs and outputs, coupled with probabilistic remediation to steer generation toward compliance. The layer exposes the dual view of LLMs as semantic parsers and probabilistic black-box components. Contract satisfaction is probabilistic and semantic validation is operationally defined through programmer-specified conditions on well-typed data structures. More broadly, this work postulates that any two agents satisfying the same contracts are \emph{functionally equivalent} with respect to those contracts.
• Abstract（参考訳）: 生成モデル、特にLarge Language Models (LLMs) は、検証可能な保証を欠いた流動的な出力を生成する。 契約による設計(DbC)と型理論の原則を適用して,LLMコール毎に仲介するコントラクト層を導入します。 契約は、インプットとアウトプットのセマンティクスと型要件を規定し、コンプライアンスに向けて生成を制御するための確率論的修復と組み合わせている。 このレイヤは、LLMの二重ビューをセマンティックパーサと確率論的ブラックボックスコンポーネントとして公開する。 契約満足度は確率的であり、セマンティック・バリデーションはプログラマが明確に指定した条件で適切に定義されている。 より広義に、この研究は、同じ契約を満たす任意の2つのエージェントが、それらの契約に関して \emph{functionally equivalent} であると仮定する。

関連論文リスト

• ClarifyCoder: Clarification-Aware Fine-Tuning for Programmatic Problem Solving [3.683434365857386]
  ClarifyCoderは、合成データ生成と命令チューニングを備えた新しいフレームワークである。 我々は、曖昧な要求を認識してクエリする基本的な能力は、モデル自体に固有のものであるべきだと論じている。 提案手法は,(1)不完全あるいは曖昧な要件に直面した場合に,即時コード生成よりも明確化を求めることをモデルに教える,微調整戦略である。
  論文  参考訳（メタデータ） (2025-04-23T00:34:39Z)
• Estimating Commonsense Plausibility through Semantic Shifts [66.06254418551737]
  セマンティックシフトを測定することでコモンセンスの妥当性を定量化する新しい識別フレームワークであるComPaSSを提案する。 2種類の細粒度コモンセンス可視性評価タスクの評価は,ComPaSSが一貫してベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-02-19T06:31:06Z)
• Layered Chain-of-Thought Prompting for Multi-Agent LLM Systems: A Comprehensive Approach to Explainable Large Language Models [0.0]
  提案するLayered Chain-of-Thought (Layered-CoT) Promptingは,推論プロセスを複数の層に体系的に分割する新しいフレームワークである。 医療トリアージ、財務リスク評価、アジャイルエンジニアリングの3つのシナリオを紹介し、透明性、正確性、ユーザエンゲージメントの観点から、Layered-CoTがバニラCoTをどのように上回っているかを示します。
  論文  参考訳（メタデータ） (2025-01-29T13:21:09Z)
• Enabling Natural Zero-Shot Prompting on Encoder Models via Statement-Tuning [55.265138447400744]
  ステートメントチューニングは、有限文の集合として識別タスクをモデル化し、エンコーダモデルを訓練し、潜在的なステートメントを識別してラベルを決定するテクニックである。 その結果, ステートメント・チューニングは, パラメータが著しく少ない最先端のLCMと比較して, 競争性能が向上することを示した。 この研究は、いくつかの設計選択が少ショットとゼロショットの一般化に与える影響を調査し、ステートメントチューニングが控えめなトレーニングデータで高いパフォーマンスを達成できることを明らかにした。
  論文  参考訳（メタデータ） (2024-04-19T14:05:03Z)
• Formally Specifying the High-Level Behavior of LLM-Based Agents [24.645319505305316]
  LLMはタスク固有の微調整モデルを必要とせずに、課題を解決するための有望なツールとして登場した。 現在、このようなエージェントの設計と実装はアドホックであり、LLMベースのエージェントが自然に適用できる様々なタスクは、エージェント設計に一律に適合するアプローチが存在しないことを意味する。 エージェント構築のプロセスを簡単にする最小主義的生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-12T17:24:15Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• Automating construction contract review using knowledge graph-enhanced large language models [1.50580995941543]
  本稿では,大規模言語モデル (LLMs) と知識グラフ (KGs) を統合することで,自動契約リスク識別の精度と解釈可能性を高めることができるかを検討する。 LLMとNested Contract Knowledge Graph(NCKG)を統合し,Graph Retrieval-Augmented Generation(GraphRAG)フレームワークを用いて,契約知識の検索と推論を行う。 国際的なEPC契約に基づいてテストし、ベースラインモデルよりも正確なリスク評価と解釈可能なリスクサマリーを実現する。
  論文  参考訳（メタデータ） (2023-09-21T14:53:36Z)
• Delegated Classification [21.384062337682185]
  機械学習タスクのインセンティブ対応デリゲーションに関する理論的枠組みを提案する。 予算最適契約を定義し、合理的な仮定の下で単純なしきい値を取ることを証明します。 実証的に、我々は予算最適契約を小規模データを用いて構築できることを実証した。
  論文  参考訳（メタデータ） (2023-06-20T11:59:03Z)
• ContraCLM: Contrastive Learning For Causal Language Model [54.828635613501376]
  トークンレベルとシーケンスレベルの両方において,新しいコントラスト学習フレームワークであるContraCLMを提案する。 ContraCLMは表現の識別を強化し、エンコーダのみのモデルとのギャップを埋めることを示す。
  論文  参考訳（メタデータ） (2022-10-03T18:56:35Z)
• Semantic-Preserving Adversarial Code Comprehension [75.76118224437974]
  本稿では,セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・アタック(SPACE)を提案する。 実験と分析により、SPACEは、コードに対するPrLMのパフォーマンスを高めながら、最先端の攻撃に対して堅牢であることを示す。
  論文  参考訳（メタデータ） (2022-09-12T10:32:51Z)
• ContractNLI: A Dataset for Document-level Natural Language Inference for Contracts [39.75232199445175]
  契約書に対する文書レベルの自然言語推論(NLI)を提案する。 システムには一連の仮説と契約が与えられ、それぞれの仮説が「関連づけられている」か、「矛盾している」か、「言及されていない」か(中立である)を分類するよう求められる。 これまでで最大のコーパスを607のアノテート契約でリリースしています。
  論文  参考訳（メタデータ） (2021-10-05T03:22:31Z)
• Masked Language Modeling and the Distributional Hypothesis: Order Word Matters Pre-training for Little [74.49773960145681]
  マスク言語モデル(MLM)トレーニングの印象的なパフォーマンスの可能な説明は、そのようなモデルがNLPパイプラインで広く普及している構文構造を表現することを学びました。 本稿では,先行訓練がダウンストリームタスクでほぼ完全に成功する理由として,高次単語共起統計をモデル化できることを挙げる。 以上の結果から,純粋分布情報は,事前学習の成功を主に説明し,深い言語知識を必要とする難易度評価データセットのキュレーションの重要性を強調する。
  論文  参考訳（メタデータ） (2021-04-14T06:30:36Z)

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。