論文の概要: Repair Before Veto, When Repair Is Hidden: Quantum-Accessible Features for Repair-Augmented Constraint Learning

• arxiv url: http://arxiv.org/abs/2606.08020v1
• Date: Sat, 06 Jun 2026 07:17:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.668493
• Title: Repair Before Veto, When Repair Is Hidden: Quantum-Accessible Features for Repair-Augmented Constraint Learning
• Title（参考訳）: 補修前, 補修隠蔽時の補修: 補修強化制約学習のための量子アクセシブルな特徴
• Authors: Yifan Wang,
• Abstract要約: 本稿ではQ-RACL(Quantum repair-Augmented Constraint Learning)について紹介する。 シーケンシャルな修復計画が実現可能性と嗜好を回復した時に候補を受け入れ、そうでなければ構造化された拒絶債権を返す。 6つの素数と10の種、有界な原文の古典的ポリシー、間違った原文のエンコーディングは、近い将来に残る。 Q-DLPポリシーは偽拒否率を1.1%以下に抑え、すべてのペアの種を勝ち取り、QNI_cond = 0.9777 から 0.9972 となる。
• 参考スコア（独自算出の注目度）: 6.016090674751934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hard-constraint decision systems usually veto infeasible candidates. This is too rigid when the system can act: if a known affordable repair would make an infeasible candidate feasible and valuable, rejection is a false veto rather than a ranking error. We introduce Q-RACL (Quantum Repair-Augmented Constraint Learning), a repair-before-veto framework that first defines RACL decision semantics and then identifies the single inference link where quantum feature access can be load-bearing. RACL accepts a candidate when a sequential repair plan restores feasibility and preference; otherwise it returns structured rejection credit. The hard link is repair-feasibility inference: which repair class restores feasibility from an observed candidate and context. We construct a discrete-logarithm-hidden RACL family where the repair class is a shifted interval rule in the latent exponent a = log_g(x), while the learner observes only x = g^a mod p. Under standard DLP-based learning separation, this coordinate is inaccessible to efficient raw-input classical policies but accessible to a quantum agent through Shor/Fourier structure. Across six primes and ten seeds, bounded raw-input classical policies and a wrong raw-Fourier encoding remain near chance, whereas the Q-DLP policy keeps false-veto rate below 1.1%, wins all paired seeds, and yields QNI_cond = 0.9777 to 0.9972. A classical DLog oracle matches it, isolating feature access rather than classifier capacity. Thus quantum AI is not added as a generic model upgrade; for this DLP-hidden repair family, it supplies the missing feature that closes the repair-before-veto loop.
• Abstract（参考訳）: 厳しい制約のある判断システムは、通常、無効な候補者を拒否する。 既知の安価な修復が実現不可能な候補を実現可能で価値あるものにするなら、拒否はランク付けミスというよりは偽の拒否である。 Q-RACL(Quantum repair-Augmented Constraint Learning)は、まずRACL決定セマンティクスを定義し、量子的特徴アクセスをロードベイリングできる単一推論リンクを特定する。 RACLは、シーケンシャルな修復計画が実現可能性と優先性を回復した時に候補を受け入れ、そうでなければ構造化された拒絶クレジットを返す。 ハードリンクは、修復可能性推論であり、修復クラスは、観測された候補とコンテキストから実行可能性を復元する。 我々は、補修クラスが潜在指数 a = log_g(x) のシフト間隔規則である離散対数隠れRACL族を構築し、学習者は x = g^a mod p のみを観測する。 標準的なDLPベースの学習分離の下では、この座標は効率的な生入力古典ポリシーにはアクセスできないが、Shor/Fourier構造を通して量子エージェントにアクセスできる。 6つの素数と10個の種子、有界な原入力古典ポリシー、間違った原Fourierエンコーディングの確率は近いが、Q-DLPポリシは偽拒否率を1.1%以下に保ち、すべてのペアシードを獲得し、QNI_cond = 0.9777 から 0.9972 となる。 古典的なDLogオラクルは、分類器のキャパシティではなく、機能アクセスを分離する。 このように、量子AIは一般的なモデルアップグレードとして追加されない。このDLP隠された修復ファミリは、修復前ベトループを閉じる欠如した機能を提供する。

関連論文リスト

• CARVE-Q: Quantum-Proposed, Classically Certified Interactive Driving Repair [6.016090674751934]
  CARVE(Certified Affordable repair of Vetoed maneuvers via Envelopes)は、予測不要な対話型修復のための認証アーキテクチャである。 我々は、このブラックボックス格子のみに量子最小探索を適用する検証器シールド付き量子AI探索層であるCARVE-Qを紹介する。 検証器の遮音性能,優先的非楕円化,ブラックボックスクエリ分離,有限精度オークレ構成性を検証した。
  論文  参考訳（メタデータ） (2026-06-03T17:38:23Z)
• Repair Before Veto: Repair-Augmented Constraint Learning for Contextual Decisions [6.016090674751934]
  我々は、既知の修理作業者をセマンティクスに引き上げる文脈決定フレームワークである修復制約学習(RACL)を導入する。 候補者は、手頃な修理が十分に実現可能で好まれる場合に受け入れられる。そうでなければ、システムは構造化された拒絶債権を返却し、適用すれば、修理計画を立てる。 制御されたDB1B由来のベンチマークで、RACLは意図した信用と修復構造を回復する。
  論文  参考訳（メタデータ） (2026-06-01T14:38:04Z)
• ANNEAL: Adapting LLM Agents via Governed Symbolic Patch Learning [12.44509691077682]
  本稿では,繰り返し発生する障害をプロセス知識グラフのシンボル編集に変換する神経シンボルエージェントであるANNEALを紹介する。 その中核となるメカニズムであるFDKA(Failure-Driven Knowledge Acquisition)は、責任のあるオペレータをローカライズし、制約付きLLM生成を通じて型付きパッチを合成し、提案を検証する。 4つのドメインと27のマルチシードランをまたいだANNEALは、永続的な構造修復を行う唯一の評価システムである。
  論文  参考訳（メタデータ） (2026-05-04T05:24:03Z)
• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• Reinforcement Learning with Verifiable yet Noisy Rewards under Imperfect Verifiers [90.50039419576807]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、人為的なラベル付けを避けるために、自動検証に対するポリシーを訓練する。 認証ハッキングの脆弱性を軽減するため、多くのRLVRシステムはトレーニング中にバイナリ$0,1$の報酬を破棄する。 この選択にはコストがかかる:textitfalse negatives(正しい回答、FNを拒絶)とtextitfalse positives(間違った回答、FPを受け入れる)を導入する。
  論文  参考訳（メタデータ） (2025-10-01T13:56:44Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)

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。