論文の概要: Parent-Guided Adaptive Reliability (PGAR): A Behavioural Meta-Learning Framework for Stable and Trustworthy AI

• arxiv url: http://arxiv.org/abs/2601.06167v1
• Date: Wed, 07 Jan 2026 06:02:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.634042
• Title: Parent-Guided Adaptive Reliability (PGAR): A Behavioural Meta-Learning Framework for Stable and Trustworthy AI
• Title（参考訳）: 親ガイド型適応信頼性(PGAR) - 安定的で信頼できるAIのための行動学習フレームワーク
• Authors: Anshum Rankawat,
• Abstract要約: Parent-Guided Adaptive Reliability (PGAR)は軽量な振る舞いメタ学習フレームワークである。 障害時の安定性、キャリブレーション、リカバリを改善するため、標準的な学習者の上に、監督的な"親"層を追加します。 PGARは既存の最適化と学習パイプラインのためのプラグイン信頼性レイヤとして機能し、安全関連設定の解釈可能なトレースをサポートする。
• 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: Parent-Guided Adaptive Reliability (PGAR) is a lightweight behavioural meta-learning framework that adds a supervisory "parent" layer on top of a standard learner to improve stability, calibration, and recovery under disturbances. PGAR computes three reflex-level signals (incident detection, overconfidence correction, and recovery memory) and fuses them into a bounded reliability index in [0,1]. This index continuously modulates the learner's effective learning rate, reducing update magnitude during instability and restoring it as reliability improves. We provide a Lyapunov-based proof sketch establishing bounded adaptation of the reliability dynamics under mild assumptions (smooth loss, descent direction, and bounded reflex outputs). Empirical evaluations on representative learning tasks show improved calibration, reduced loss variance, and faster recovery compared to standard optimizers, while retaining computational simplicity. PGAR functions as a plug-in reliability layer for existing optimization and learning pipelines, supporting interpretable reliability traces in safety-relevant settings.
• Abstract（参考訳）: Parent-Guided Adaptive Reliability (PGAR) は軽量な振る舞いメタ学習フレームワークで、標準学習層の上に「親」層を追加し、障害時の安定性、校正、回復を改善する。 PGARは3つの反射レベル信号(インシデント検出、過信補正、リカバリメモリ)を計算し、[0,1]でそれらを有界信頼性指数に融合する。 このインデックスは、学習者の効果的な学習率を継続的に調整し、不安定時に更新の規模を減らし、信頼性が向上するにつれて回復する。 軽微な仮定(滑らかな損失、降下方向、有界反射出力)の下での信頼性力学の有界適応を立証するリャプノフに基づく証明スケッチを提供する。 代表的学習課題に対する実証的な評価は、計算の単純さを維持しながら、キャリブレーションの改善、損失分散の低減、標準オプティマイザよりも高速な回復を示す。 PGARは既存の最適化と学習パイプラインのためのプラグイン信頼性レイヤとして機能し、安全関連設定における解釈可能な信頼性トレースをサポートする。

関連論文リスト

• Adaptive Learning Guided by Bias-Noise-Alignment Diagnostics [0.7519872646378835]
  本稿では,誤り適応進化を明示的にモデル化する診断駆動学習フレームワークを提案する。 これらの診断は、損失または時間差(TD)誤差軌跡の軽量統計からオンラインで計算される。
  論文  参考訳（メタデータ） (2025-12-30T19:57:52Z)
• SG-OIF: A Stability-Guided Online Influence Framework for Reliable Vision Data [6.4391040754741296]
  本稿では,テスト予測に対するトレーニングポイントの影響を近似するための安定誘導オンライン影響フレームワーク(SG-OIF)を提案する。 CIFAR-10の上位1%の予測サンプルでは,SG-OIFが91.1%,MNISTの99.8%のAUPRスコアが得られた。
  論文  参考訳（メタデータ） (2025-11-21T19:58:54Z)
• MaP: A Unified Framework for Reliable Evaluation of Pre-training Dynamics [72.00014675808228]
  大規模言語モデルの不安定性評価プロセスは、真の学習力学を曖昧にする。 textbfMaPは、アンダーラインMergingアンダーラインとアンダーラインPass@kメトリックを統合するフレームワークです。 実験により、MaPはよりスムーズな性能曲線を示し、ラン間分散を低減し、より一貫性のあるランキングを保証する。
  論文  参考訳（メタデータ） (2025-10-10T11:40:27Z)
• Adaptive Federated Learning Defences via Trust-Aware Deep Q-Networks [1.5374297736981706]
  フェデレート学習は、部分的に観察可能な状態での中毒やバックドア攻撃に対して脆弱である。 我々は、クライアントの信頼更新に多信号の証拠を統合する、信頼を意識したディープQネットワークを導入する。
  論文  参考訳（メタデータ） (2025-09-25T13:30:09Z)
• Advancing Reliable Test-Time Adaptation of Vision-Language Models under Visual Variations [67.35596444651037]
  視覚言語モデル(VLM)は、素晴らしいゼロショット機能を示すが、ラベル付きデータが利用できない場合、下流タスクの分散シフトに苦慮する。 本稿では,信頼性を両面から高めるReliable Test-Time Adaptation (ReTA)法を提案する。
  論文  参考訳（メタデータ） (2025-07-13T05:37:33Z)
• Aurora: Are Android Malware Classifiers Reliable and Stable under Distribution Shift? [51.12297424766236]
  AURORAは、その信頼性と運用上のレジリエンスに基づいて、マルウェア分類器を評価するためのフレームワークである。 AURORAは、ポイント・イン・タイムのパフォーマンスを超えるように設計されたメトリクスのセットによって補完される。 さまざまなドリフトのデータセットにわたるSOTAフレームワークの脆弱性は、ホワイトボードへの復帰の必要性を示唆している。
  論文  参考訳（メタデータ） (2025-05-28T20:22:43Z)
• ReliOcc: Towards Reliable Semantic Occupancy Prediction via Uncertainty Learning [26.369237406972577]
  視覚中心のセマンティック占有予測は、自律運転において重要な役割を果たす。 カメラからのセマンティック占有率を予測するための信頼性を探求する研究は、まだ少ない。 本稿では,カメラによる占有ネットワークの信頼性向上を目的としたReliOccを提案する。
  論文  参考訳（メタデータ） (2024-09-26T16:33:16Z)
• Joint Differentiable Optimization and Verification for Certified Reinforcement Learning [91.93635157885055]
  安全クリティカル制御システムのためのモデルベース強化学習では,システム特性を正式に認定することが重要である。 本稿では,強化学習と形式検証を共同で行う枠組みを提案する。
  論文  参考訳（メタデータ） (2022-01-28T16:53:56Z)

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。