論文の概要: Modeling Agentic Technical Debt and Stochastic Tax: A Standalone Framework for Measurement, Simulation, and Dashboarding
- arxiv url: http://arxiv.org/abs/2605.27320v1
- Date: Tue, 26 May 2026 17:28:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:42.565971
- Title: Modeling Agentic Technical Debt and Stochastic Tax: A Standalone Framework for Measurement, Simulation, and Dashboarding
- Title（参考訳）: エージェント技術的負債と確率税のモデリング:測定・シミュレーション・ダッシュボード作成のためのスタンドアローンフレームワーク
- Authors: Muhammad Zia Hydari, Raja Iqbal, Narayan Ramasubbu,
- Abstract要約: このノートは、エージェント技術的負債と税を区別する形式的かつ管理的に使用可能なモデルを開発する。
2つの構造は関連しているが、それらは同じではない: 負債は税を増幅でき、一方、負債が最小化されても税は肯定的である。
- 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: Agentic AI systems combine probabilistic reasoning with delegated action through tools, context, memory, orchestration, and external workflow integration. This note develops a formal and managerially usable model that distinguishes Agentic Technical Debt from Stochastic Tax. Agentic Technical Debt is a stock of accumulated design and governance liability. Stochastic Tax is a recurring flow of operating burden that arises when stochastic agents are used in business workflows. The two constructs are related, but they are not the same: debt can amplify the tax, while the tax can remain positive even when debt is minimized. The note starts from a compact dashboard expression, expands it into a fuller structural model, defines all variables and parameters, shows how each cost category can be estimated from operational data, and illustrates the framework with an accounts-payable simulation and companion spreadsheet.
- Abstract（参考訳）: エージェントAIシステムは、確率論的推論と、ツール、コンテキスト、メモリ、オーケストレーション、外部ワークフローの統合を通じて委譲されたアクションを組み合わせる。
このノートは、Stochastic TaxとAgenic Technical Debtを区別する形式的で管理に使えるモデルを開発する。
エージェント技術的負債は、蓄積された設計とガバナンスの負債の株式である。
確率的税は、ビジネスワークフローで確率的エージェントが使用されるときに生じる業務負担の繰り返しの流れである。
2つの構造は関連しているが、それらは同じではない: 負債は税を増幅でき、一方、負債が最小化されても税は肯定的である。
注記は、コンパクトなダッシュボード表現から始まり、それをより完全な構造モデルに拡張し、すべての変数とパラメータを定義し、各コストカテゴリを運用データからどのように見積もるかを示し、説明責任を負うシミュレーションとコンパニオンスプレッドシートでフレームワークを説明する。
関連論文リスト
- What do Language Models Learn and When? The Implicit Curriculum Hypothesis [50.89698323917259]
Inlicit Curriculum hypothesis: Pretraining following a compositional and predictable curriculum across models。
410M-13Bパラメータから4つのモデルファミリの出現点を追跡する。
モデルが一定の精度のしきい値に達する際の出現順序は著しく一致していることがわかった。
論文 参考訳（メタデータ） (2026-04-09T17:50:12Z) - From Perception to Autonomous Computational Modeling: A Multi-Agent Approach [0.0]
本稿では,協調型大言語モデル(LLM)エージェントが完全計算力学ワークフローを自律的に実行する,解法に依存しないフレームワークを提案する。
エージェントは、パイプライン層間の条件付きイテレーションを導入する品質ゲートを備えた共有コンテキスト空間上の条件付き演算子として形式化される。
論文 参考訳（メタデータ） (2026-04-08T07:56:34Z) - Explainable Model Routing for Agentic Workflows [0.9379969114114787]
Topazは、エージェントルーティングに正式な監査性を導入するフレームワークである。
エージェントルーティングに形式的監査性を導入するフレームワークであるTopazを紹介する。
論文 参考訳（メタデータ） (2026-04-04T00:11:24Z) - Monadic Context Engineering [59.95390010097654]
本稿では,エージェント設計の正式な基盤を提供するために,モナディックコンテキストエンジニアリング(MCE)を紹介する。
我々は、モナドがロバストなコンポジションをどのように実現し、Applicativesが並列実行に原則化された構造を提供し、また、モナドトランスフォーマーがこれらの機能の体系的なコンポジションをどのように可能にしているかを実証する。
この階層化されたアプローチにより、開発者は、単純で独立した検証可能なコンポーネントから、複雑でレジリエントで効率的なAIエージェントを構築することができる。
論文 参考訳（メタデータ） (2025-12-27T01:52:06Z) - Managing the Stochastic: Foundations of Learning in Neuro-Symbolic Systems for Software Engineering [0.27195102129094995]
AIコーディングエージェントに対する現在のアプローチは、大規模言語モデルとエージェント自体の境界を曖昧にしている。
本稿では, LLM が環境環境の構成要素として扱われるように制御境界を設定することを提案する。
論文 参考訳（メタデータ） (2025-12-18T15:28:21Z) - Self-Improving AI Agents through Self-Play [0.0]
本稿では,AAI能力スコアを計算資源$r$でパラメータ化されたフロー$_r$として定式化する。
0$の十分条件は、曲率とステップサイズ効果により、生成と検証の結合ノイズが十分小さくなければならないことを示す。
本稿では,LSP(Language Self-Play),Self-Correction,およびSynthetic Datapingに関する最近の文献を統一するために,この形式を適用した。
論文 参考訳（メタデータ） (2025-12-02T13:13:57Z) - Language Models and Logic Programs for Trustworthy Financial Reasoning [50.73061215297832]
税の申告には複雑な推論が必要であり、重複ルールの適用と数値計算を組み合わせる必要がある。
そこで我々は,LLMを象徴的解決器と統合して納税義務を計算する手法を提案する。
本稿では, 形式論理プログラムの事前翻訳と, 形式論理表現の知的検索例を組み合わせることで, 性能が劇的に向上することを示す。
論文 参考訳（メタデータ） (2025-08-28T17:55:07Z) - Meaning Representations from Trajectories in Autoregressive Models [106.63181745054571]
入力テキストを拡張可能なすべてのトラジェクトリの分布を考慮し,自己回帰言語モデルから意味表現を抽出する。
この戦略はプロンプトフリーであり、微調整は必要とせず、事前訓練された自己回帰モデルにも適用できる。
我々は,大規模なモデルから得られた表現が人間のアノテーションとよく一致し,意味的類似性タスクにおける他のゼロショットおよびプロンプトフリーメソッドよりも優れており,標準埋め込みが扱えないより複雑なエンタテインメントや包含タスクの解決に使用できることを実証的に示す。
論文 参考訳（メタデータ） (2023-10-23T04:35:58Z) - On Exploiting Hitting Sets for Model Reconciliation [53.81101846598925]
ヒューマン・アウェア・プランニングにおいて、プランニング・エージェントは、その計画がなぜ最適なのかを人間に説明する必要があるかもしれない。
この手法はモデル和解と呼ばれ、エージェントはモデルと人間のモデルの違いを調和させようとする。
我々は,計画の領域を超えて拡張されたモデル和解のための論理ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2020-12-16T21:25:53Z)
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。