論文の概要: The Invisible Lottery: How Subtle Cues Steer Algorithm Choice in LLM Code Generation

• arxiv url: http://arxiv.org/abs/2606.04057v1
• Date: Tue, 02 Jun 2026 11:17:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.274869
• Title: The Invisible Lottery: How Subtle Cues Steer Algorithm Choice in LLM Code Generation
• Title（参考訳）: 目に見えないロッテ:LLMコード生成における部分キュースステアアルゴリズムの選択方法
• Abstract要約: タスク仕様外の文脈語やメタデータを意味するインシデントプロンプトキューは、モデルが選択したアルゴリズムを操縦することができる。 我々は、アルゴリズムのステアリングを、アルゴリズム-ファミリー分布のキュー誘起シフトとして定義する。 直接アルゴリズムの命名は、私たちがテストした最も信頼性の高い緩和です。
• 参考スコア（独自算出の注目度）: 0.6564588068252765
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) now generate substantial production code, often for tasks with multiple valid algorithmic solutions. Incidental prompt cues, meaning contextual words or metadata outside the task specification, can steer which algorithm the model selects, even when all outputs pass the same tests. Prompt sensitivity is well studied as a tool to improve output quality. Here, output policy means algorithm choice under fixed correctness. We define algorithm steering as cue-induced shifts in algorithm-family distributions and run 46,535 controlled experiments across 11 tasks, 19 cue types (18 channels plus a memoization semantic-vs-surface ablation that preserves meaning while changing typography and punctuation), and 15 model configurations. We find large, systematic shifts in algorithm-family distributions (up to 100 pp), largely consistent with cue semantics, including in applied tasks such as rate limiting. Direct algorithm naming is the most reliable mitigation we tested. Accidental context therefore creates an "invisible lottery" over performance, security, and maintainability.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、しばしば複数の有効なアルゴリズムソリューションを持つタスクに対して、実質的な生産コードを生成する。 インシデントプロンプトキュー(英: Incidental prompt cues、つまりタスク仕様外の文脈語やメタデータ)は、すべての出力が同じテストに合格しても、どのアルゴリズムがどのモデルを選択するかを決めることができる。 プロンプト感度は、出力品質を改善するツールとしてよく研究されている。 ここでは、出力ポリシーは、一定の正当性の下でのアルゴリズムの選択を意味する。 我々はアルゴリズムステアリングを,アルゴリズムファミリー分布のcue-induced shiftsとして定義し,11のタスクに46,535の制御実験,19のキュータイプ18のチャネルと,タイポグラフィや句読点を変化させながら意味を保ったメモ化セマンティック-vs面アブレーション,および15のモデル構成を行った。 アルゴリズムファミリー分布の大規模かつ体系的な変化(最大100pp)は、レート制限などの適用タスクを含むキューセマンティクスと大きく一致している。 直接アルゴリズムの命名は、私たちがテストした最も信頼性の高い緩和です。 したがって、アクシデントコンテキストは、パフォーマンス、セキュリティ、保守性に関する"目に見えない宝くじ"を生み出します。

関連論文リスト

• Quality Control Algorithms for Pattern Counting [17.340766930817335]
  経験的アルゴリズムは品質制御問題の定義において非対称性を利用していない。 品質制御の定義における非対称性を利用して、これらの問題を解くためにpoly$(k)$時間で実行されるアルゴリズムを与えることを示す。
  論文  参考訳（メタデータ） (2026-08-04T10:35:00Z)
• Budget-Efficient Automatic Algorithm Design via Code Graph [2.982218441172364]
  大規模言語モデル(LLM)は自動アルゴリズム設計(AAD)のための強力なツールとして登場した。 我々は予算効率のよい自動アルゴリズム設計を定式化し、検索ポリシーは計算コストに制限のある実現された適合性を最大化する。 提案手法を3つの最適化問題に対して実証的に検証し,同じトークン予算で全アルゴリズム探索よりもグラフ検索の方が一貫した優位性を示す。
  論文  参考訳（メタデータ） (2026-05-11T14:01:52Z)
• Provable Scaling Laws for the Test-Time Compute of Large Language Models [84.00141420901038]
  本研究では,大規模言語モデルのテスト時間計算において,証明可能なスケーリング法則を享受する2つのアルゴリズムを提案する。 1つは2段階ノックアウト方式のアルゴリズムで、各候補は複数の相手に対して平均勝利率で評価される。 もう1つは2段階のリーグ方式のアルゴリズムで、各候補は複数の相手に対して平均勝利率で評価される。
  論文  参考訳（メタデータ） (2024-11-29T05:29:47Z)
• Semi-Bandit Learning for Monotone Stochastic Optimization [16.921694787482213]
  一般的なオンライン学習アルゴリズムは「モノトーン」問題のクラスのために開発されている。 当社のフレームワークは,預言不平等やPandoraのボックス,単一リソースの収益管理,ポスト価格など,いくつかの基本的な問題に適用しています。
  論文  参考訳（メタデータ） (2023-12-24T07:46:37Z)
• Large Language Model-Enhanced Algorithm Selection: Towards Comprehensive Algorithm Representation [27.378185644892984]
  本稿では,Large Language Models (LLM) をアルゴリズム選択に導入する。 LLMはアルゴリズムの構造的・意味的な側面を捉えるだけでなく、文脈的認識とライブラリ機能理解も示している。 選択されたアルゴリズムは、与えられた問題と異なるアルゴリズムの一致度によって決定される。
  論文  参考訳（メタデータ） (2023-11-22T06:23:18Z)
• Adversarially Robust Distributed Count Tracking via Partial Differential Privacy [17.43748116766233]
  分散機能監視(distributed functional monitoring)とも呼ばれる分散追跡モデルについて検討する。 このモデルは、各アイテムのストリームを受け取り、中央サーバと通信する、$k$のサイトを含む。 カウントトラッキングでは、決定論的アルゴリズムとランダム化アルゴリズムの通信に$sqrtk$ギャップがあることが知られている。
  論文  参考訳（メタデータ） (2023-11-01T07:42:13Z)
• Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
  オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。 SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。 本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。 ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
  論文  参考訳（メタデータ） (2021-09-13T18:10:52Z)
• Towards Meta-Algorithm Selection [78.13985819417974]
  インスタンス固有のアルゴリズム選択(AS)は、固定された候補集合からのアルゴリズムの自動選択を扱う。 メタアルゴリズムの選択は、いくつかのケースで有益であることを示す。
  論文  参考訳（メタデータ） (2020-11-17T17:27:33Z)
• Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
  本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。 最先端アルゴリズムの利点を論じ、解説する。
  論文  参考訳（メタデータ） (2020-09-28T15:22:24Z)
• A Systematic Characterization of Sampling Algorithms for Open-ended Language Generation [71.31905141672529]
  本稿では,自己回帰型言語モデルに広く採用されている祖先サンプリングアルゴリズムについて検討する。 エントロピー低減, 秩序保存, 斜面保全の3つの重要な特性を同定した。 これらの特性を満たすサンプリングアルゴリズムのセットが,既存のサンプリングアルゴリズムと同等に動作することがわかった。
  論文  参考訳（メタデータ） (2020-09-15T17:28:42Z)
• Run2Survive: A Decision-theoretic Approach to Algorithm Selection based on Survival Analysis [75.64261155172856]
  生存分析(SA)は、自然に検閲されたデータをサポートし、アルゴリズムランタイムの分散モデルを学習するためにそのようなデータを使用する適切な方法を提供する。 我々は、アルゴリズム選択に対する洗練された決定論的アプローチの基礎として、そのようなモデルを活用し、Run2Surviveを疑う。 標準ベンチマークASlibによる広範な実験では、我々のアプローチは競争力が高く、多くの場合、最先端のASアプローチよりも優れていることが示されている。
  論文  参考訳（メタデータ） (2020-07-06T15:20:17Z)

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。