論文の概要: When Can Voting Help, Hurt, or Change Course? Exact Structure of Binary Test-Time Aggregation

• arxiv url: http://arxiv.org/abs/2605.05592v1
• Date: Thu, 07 May 2026 02:21:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.487616
• Title: When Can Voting Help, Hurt, or Change Course? Exact Structure of Binary Test-Time Aggregation
• Title（参考訳）: 投票はいつ, ハート, あるいはコースを変えることができるか? バイナリテスト時間アグリゲーションの具体的構造
• Authors: Yi Liu,
• Abstract要約: 投票は, 被検者ごとの正当性確率の潜伏分布に支配されていることを示す。 投票によって回収された正確なオブジェクトは、署名された投票署名である。 この視点は、形状現象、枝対称の非識別性、実現可能性、変動、および終端率を説明する。
• 参考スコア（独自算出の注目度）: 4.28787537081191
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Majority voting is one of the few black-box interventions that can improve a fixed stochastic predictor: repeated access can be cheaper than changing a high-capability model. Classical fixed-competence theory makes this intervention look monotone -- more votes help above the majority threshold and hurt below it. We show that this picture is fundamentally incomplete. Under the de Finetti representation for exchangeable repeated correctness, voting is governed by a latent distribution of per-example correctness probabilities. Even simple latent mixtures can generate sharply different voting curves, including nonmonotone behavior and, in an explicit construction, infinitely many trend changes. The full latent law determines the curve, but the curve does not determine the law. The exact object recovered by voting is a signed voting signature: at each binomial variance scale, it records excess latent mass above rather than below the majority threshold. Our main theorem proves that the complete odd-budget curve and this signature are equivalent: the curve increments are signed Hausdorff moments, and the full curve recovers the signature uniquely. This viewpoint explains shape phenomena, branch-symmetric nonidentifiability, realizability, variation, and endpoint rates. It also separates estimation regimes: direct per-example success-probability information targets the full signature, whereas fixed-depth grouped labels reveal only a finite prefix.
• Abstract（参考訳）: 多数決投票は、固定確率予測器を改善する数少ないブラックボックス介入の1つである。 古典的な固定能力理論は、この介入を単調に見せる。 この図は基本的に不完全であることを示す。 交換可能な繰り返し正当性のためのデ・フィネッティ表現の下では、投票はサンプルごとの正当性確率の潜在分布によって制御される。 単純な潜伏混合でも、非単調な振る舞いや明示的な構成では、無限に多くの傾向変化を含む、急激な異なる投票曲線を生成することができる。 完全潜在法則は曲線を決定するが、曲線は法則を決定するものではない。 投票によって回収された正確なオブジェクトは署名された投票署名であり、各二項分散スケールでは、過半数の閾値以下ではなく、それ以上の潜在質量を記録する。 我々の主定理は、完全奇予算曲線とこの符号が等価であることを証明している:曲線の増分はハウスドルフモーメントに署名され、完全曲線は符号を一意に回復する。 この視点は、形状現象、枝対称の非識別性、実現可能性、変動、および終端率を説明する。 直接的な成功確率情報は完全なシグネチャをターゲットにしているが、固定深度グループラベルは有限プレフィックスのみを明らかにする。

関連論文リスト

• Two Calls, Two Moments, and the Vote-Accuracy Curve of Repeated LLM Inference [4.28787537081191]
  条件-i.d.呼び出しの繰り返しLLM推論における二項正当性層について検討した。 固定された多数決投票の予算は、鋭い分布のない2つの呼び出し間隔を持つ。 QNLI と QQP に対する LLM の呼出実験により, 投射した2発呼領域に3発と5発の発声アキュラシーが含まれていることが示された。
  論文  参考訳（メタデータ） (2026-05-05T05:40:09Z)
• Pando: Do Interpretability Methods Work When Models Won't Explain Themselves? [53.07826484214082]
  モデル・オーガニゼーションのベンチマークであるPandoを紹介します。 Pandoは、ラベル付きクエリ-レスポンスペアから、ホールドアウトモデル決定を予測する。 説明が忠実であれば、ブラックボックスの引用はすべてのホワイトボックスメソッドに一致するか、超える。
  論文  参考訳（メタデータ） (2026-04-13T06:42:24Z)
• A Single Revision Step Improves Token-Efficient LLM Reasoning [3.344806691289323]
  大規模言語モデルのためのトレーニングフリーで推論のみのフレームワークであるPacket-Conditioned Revision (PACER)を紹介した。 PACERは、推論トレースを使用して、構造化された調整ステップを通じて結論を修正できる。 競争力のある数学のベンチマークでは、PACERは256サンプルの多数決の正確さと一致または超える。
  論文  参考訳（メタデータ） (2026-02-02T21:28:42Z)
• Probability-Entropy Calibration: An Elastic Indicator for Adaptive Fine-tuning [55.2818264614932]
  RankTunerは確率エントロピーキャリブレーション信号、相対ランクインジケータを導入し、予測分布の下で接地トラストークンのランクと期待ランクを比較する。 逆インジケータはトークン単位の相対尺度として使用され、微調整の目的を再重み付けし、真に未学習のトークンを更新する。
  論文  参考訳（メタデータ） (2026-02-02T07:27:19Z)
• Beyond the Loss Curve: Scaling Laws, Active Learning, and the Limits of Learning from Exact Posteriors [8.410613979416203]
  実写画像で正確な後部を抽出可能なオラクルとして,クラス条件正規化フローを用いる。 我々のフレームワークは、標準メトリクスが進行中の学習を隠蔽し、アーキテクチャの違いを隠蔽し、分散シフトの性質を診断できないことを明らかにしている。
  論文  参考訳（メタデータ） (2026-01-30T21:08:55Z)
• Differential Voting: Loss Functions For Axiomatically Diverse Aggregation of Heterogeneous Preferences [6.3240435869587515]
  人間のフィードバックからの強化学習は投票の一形態として見ることができ、そこではアグリゲーション機構が損失関数によって定義される。 本稿では,古典的な投票規則に有効に対応するように,人口レベルが最適であるような,インスタンスワイドで微分可能な損失関数を構成するフレームワークである差分投票を紹介する。 本分析は, 損失幾何学における設計選択 – マージン感度や境界濃度など – が, 直接的にノルミティブアグリゲーションの挙動にどのように変換されるかを示す。
  論文  参考訳（メタデータ） (2026-01-25T03:59:51Z)
• How many classifiers do we need? [50.69951049206484]
  分類器間の不一致と偏極が、個々の分類器を集約することで得られる性能向上とどのように関連しているかを詳細に分析する。 分類器の個数で不一致の挙動を示す。 我々の理論と主張は、様々なタイプのニューラルネットワークを用いた画像分類タスクに関する経験的な結果によって裏付けられている。
  論文  参考訳（メタデータ） (2024-11-01T02:59:56Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)
• Consensus-Guided Correspondence Denoising [67.35345850146393]
  本稿では,地域間コンセンサス学習フレームワークと対応関係を異色化し,対応関係をロバストに識別する。 ローカル地域からグローバル地域への動的グラフから推定されるコンセンサススコアに基づいて,信頼度の高い候補を初期マッチングから蒸留する新しい「プルーニング」ブロックを導入した。 本手法は、堅牢なラインフィッティング、ワイドベースライン画像マッチング、画像ローカリゼーションベンチマークを顕著なマージンで上回る。
  論文  参考訳（メタデータ） (2021-01-03T09:10:00Z)
• Learning Disentangled Representations with Latent Variation Predictability [102.4163768995288]
  本稿では,潜在不整合表現の変動予測可能性について述べる。 逆生成プロセス内では、潜時変動と対応する画像対の相互情報を最大化することにより、変動予測可能性を高める。 本研究では,潜在表現の絡み合いを測るために,基礎的構造的生成因子に依存しない評価指標を開発する。
  論文  参考訳（メタデータ） (2020-07-25T08:54:26Z)

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。