Fugu-MT 論文翻訳(概要): Foundations of Reliable Inference: Reliability-Efficiency Co-Design

論文の概要: Foundations of Reliable Inference: Reliability-Efficiency Co-Design

arxiv url: http://arxiv.org/abs/2605.10351v1
Date: Mon, 11 May 2026 10:53:16 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-12 23:28:50.746107
Title: Foundations of Reliable Inference: Reliability-Efficiency Co-Design
Title（参考訳）: 信頼性推論の基礎:信頼性-有効性共設計
Authors: Jiayi Huang,
Abstract要約: 計算オーバーヘッドに関する懸念は、設計基準を信頼性のみから信頼性と効率の共設計へとシフトさせた。この論文は、2つの視点から統合されたフレームワークを開発し、中心的な問題に対処する。
参考スコア（独自算出の注目度）: 3.1213933888172374
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Reliable inference requires that artificial intelligence (AI) models provide trustworthy uncertainty estimates, not merely accurate predictions. Recent advances in Bayesian learning have made significant progress toward this goal, and growing concerns about computational overhead have jointly shifted the design criterion from reliability alone to the co-design of reliability and efficiency, i.e., reducing computational overhead while preserving trustworthy uncertainty quantification. This thesis develops a unified framework from two perspectives to address the central question: can we efficiently perform reliable inference?
Abstract（参考訳）: 信頼性のある推論では、人工知能(AI)モデルが正確な予測だけでなく、信頼できる不確実性の推定を提供する必要がある。ベイズ学習の最近の進歩は、この目標に向けて大きな進歩を遂げており、計算オーバーヘッドに関する懸念が高まり、信頼性のみの設計基準を信頼性と効率の共設計、すなわち、信頼に値する不確実な定量化を維持しながら計算オーバーヘッドを減らし、共同で設計基準をシフトした。この論文は、2つの視点から統合されたフレームワークを開発し、中心的な問題に対処する。

関連論文リスト

Confidence-Aware Alignment Makes Reasoning LLMs More Reliable [65.44962502963378]
CASPOは、トークンレベルの信頼度とステップワイドな論理的正しさを、個別の報酬モデルをトレーニングせずに整合させるフレームワークである。推論中、信頼を意識した思考(CaT)を提案し、不確実な推論枝を無視可能なO(V)レイテンシで動的に生成する。 10のベンチマークと複数のモデルファミリでの実験では、CASPOは推論の信頼性と推論効率を一貫して改善している。
論文参考訳（メタデータ） (2026-05-08T07:08:25Z)
Process Supervision of Confidence Margin for Calibrated LLM Reasoning [52.373121066425455]
強化学習(RL)によるテスト時間計算のスケーリングは,大規模言語モデル(LLM)推論能力を向上させるための信頼性の高い経路として登場した。しかし、結果に基づく報酬は、しばしばモデルに過信感を与え、幻覚、信頼できない信頼ベースの制御、不要な計算割り当てをもたらす。本稿では,信頼性と信頼性を両立させるキャリブレーションを意識したRLフレームワークであるReinforcement Learning with Confidence Margin(textbfRLCM)を紹介する。
論文参考訳（メタデータ） (2026-04-25T14:40:13Z)
ReFIne: A Framework for Trustworthy Large Reasoning Models with Reliability, Faithfulness, and Interpretability [23.70973331911138]
使用可能な推論システムは、解釈可能性、忠実性、信頼性の3つの特性を特徴とする、信頼できるものでなければならない、と我々は主張する。本稿では,GRPOと教師付き微調整を統合した新しいトレーニングフレームワークReFIneを提案する。実験の結果,ReFIneモデルはより明確でより構造化された推論トレースを生成することがわかった。
論文参考訳（メタデータ） (2025-10-10T07:08:44Z)
Mind the Generation Process: Fine-Grained Confidence Estimation During LLM Generation [63.49409574310576]
大規模言語モデル(LLM)は自信過剰を示し、信頼度の高いスコアを誤った予測に割り当てる。本研究では,テキスト生成中に高精度できめ細かな信頼スコアを提供する信頼度推定手法であるFineCEを紹介する。論文で使用されたコードとすべてのベースラインはGitHubで公開されている。
論文参考訳（メタデータ） (2025-08-16T13:29:35Z)
All You Need for Counterfactual Explainability Is Principled and Reliable Estimate of Aleatoric and Epistemic Uncertainty [27.344785490275864]
我々は透明性研究が人工知能の基本的な概念の多くを見落としていると主張している。本質的に透明なモデルは、人間中心の説明的洞察の恩恵を受けることができる。高度なレベルでは、人工知能の基礎を透明性研究に統合することは、より信頼性が高く、堅牢で、理解可能な予測モデルを生み出すことを約束する。
論文参考訳（メタデータ） (2025-02-24T09:38:31Z)
Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
論文参考訳（メタデータ） (2024-11-03T17:32:00Z)
Beyond Uncertainty Quantification: Learning Uncertainty for Trust-Informed Neural Network Decisions - A Case Study in COVID-19 Classification [7.383605511698832]
信頼性の高い不確実性定量化は、医学的診断のような高い評価の応用において重要である。従来の不確実性定量化法は、予測を自信または不確実性として分類するために、予め定義された信頼しきい値に依存する。このアプローチは、しきい値を超える予測は信頼に値するが、それ以下の予測は信頼性の高い予測の正確性を明確に評価することなく不確実であると仮定する。本研究では,予測の信頼度を学習することで,従来の不確実性定量化を拡張した不確実性認識型ニューラルネットワークを提案する。
論文参考訳（メタデータ） (2024-09-19T04:20:12Z)
U-Trustworthy Models.Reliability, Competence, and Confidence in Decision-Making [0.21756081703275998]
信頼性の正確な数学的定義を$mathcalU$-trustworthinessと呼ぶ。 $mathcalU$-trustworthinessの文脈において、適切にランク付けされたモデルは本質的に$mathcalU$-trustworthyであることが証明される。我々は、信頼度を優先する尺度として、AUCメートル法の採用を提唱する。
論文参考訳（メタデータ） (2024-01-04T04:58:02Z)
Improving the Reliability for Confidence Estimation [16.952133489480776]
信頼度推定は、デプロイ中のモデルの予測出力の信頼性を評価することを目的としたタスクである。これまでの研究は、信頼度推定モデルが持つべき2つの重要な特性を概説してきた。信頼度推定モデルにおいて、両方の品質を同時に改善できるメタラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2022-10-13T06:34:23Z)

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。