論文の概要: Green SARC: Predictive Cost and Carbon Governance for Agentic AI Systems

• arxiv url: http://arxiv.org/abs/2606.15954v1
• Date: Sun, 14 Jun 2026 18:26:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.958632
• Title: Green SARC: Predictive Cost and Carbon Governance for Agentic AI Systems
• Title（参考訳）: Green SARC:エージェントAIシステムの予測コストと炭素ガバナンス
• Abstract要約: Green SARCは、FinOpsとGreenOpsにSARCガバナンス・バイ・アーキテクチャフレームワークを適用している。 政策に依存しない4つの結果が報告される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agentic AI systems act through tools and sub-agents, yet the controls meant to bound their financial and environmental cost still sit on dashboards evaluated beside or after execution. Green SARC applies the SARC governance-by-architecture framework -- four enforcement sites in the agent loop -- to FinOps and GreenOps, contributing the theory of what to enforce and how to predict it. We report four policy-independent results. (i) The unconstrained "State Snowball" is $Θ(n^2)$ in loop depth; on 3,000 real multi-step plans (SWE-rebench) it holds on 100%, with median curvature $\hat{c}_2=216$ exceeding the linear-accretion prediction $p/2=134$ -- real plans accrete faster than the model. (ii) On real residuals the Normal-$σ$ gate under-covers (92% at nominal 95%); split-conformal calibration holds (95.2%). (iii) A soft Lagrangian penalty tuned to the budget in expectation breaches it on 91.5% of seeds; the architectural gate breaches 0%. (iv) Under binding budgets the gate's over-budget incidence is 0% on synthetic and real (BurstGPT) arrivals. End-to-end token/USD/carbon savings (47--55%) are real but policy-dependent in magnitude -- set by a scope-cap knob, not by gate rejections. The library is open-source, dependency-free, and ships a regeneration script for every cited number.
• Abstract（参考訳）: エージェントAIシステムはツールやサブエージェントを介して動作しますが、財務と環境のコストを制限しようとするコントロールは、実行後または実行後に評価されたダッシュボードにあります。 Green SARCは、エージェントループの4つの執行サイトであるSARCガバナンス・バイ・アーキテクチャのフレームワークをFinOpsとGreenOpsに適用し、何を実施するべきか、どのように予測するかの理論に貢献している。 政策に依存しない4つの結果が報告される。 (i)非拘束の「ステート・スノーボール」はループ深度で$(n^2)$で、3000の実マルチステップ計画(SWE-rebench)では100%であり、中央曲率$\hat{c}_2=216$は、モデルよりも早く蓄積される。 (ii)正則-σ$ゲートアンダーカバー(92%、名目95%)、分割等角キャリブレーションホールド(95.2%)。 3 予想される予算に合わせた柔らかいラグランジアン罰は、91.5%の種子を侵害し、建築上の門は0%を侵害する。 (四)結合予算の下では、合成及び実物(BurstGPT)の到着において、ゲートの過予算の発生率は0%である。 エンドツーエンドのトークン/USD/炭素貯蓄(47～55%)は本物だが、政策に依存している。 ライブラリはオープンソースで、依存関係なしで、引用された数ごとに再生スクリプトを出荷している。

関連論文リスト

• Toward Goal-Agnostic Joint-Embedding Predictive Control of Partial Differential Equations [0.0]
  共同埋め込み予測アーキテクチャ(JEPA)を中心に構築された偏微分方程式(PDE)の目標に依存しない制御フレームワークを提案する。 可利用であれば、学習された潜伏空間における生ユークリッド距離(L2$)を最小化するよりも、明確な物理的観測可能(帰納的射影率)に制御目的が適用されることが分かる。
  論文  参考訳（メタデータ） (2026-07-21T20:49:07Z)
• Prospect-Theory Behavior from Bellman Optimality in MDPs with Catastrophic States [0.0]
  報酬は線形だが、エージェントは効用依存や曲率を持たず、大災害のペイオフは$r = 1.25$、または$r = 2$で13.9%である。 単価より1ドル高いところは、中央値がある。 1ドル以上は 中央値です 1ドル以上は 中央値です 1ドル以上は 中央値です 上のユニティは 境界のコントリビューションを超越しています 全ての細胞への貢献です
  論文  参考訳（メタデータ） (2026-05-31T03:01:48Z)
• BAGEN: Are LLM Agents Budget-Aware? [35.04587529168086]
  予算対応エージェント(BAGEN)は、受動的コストメトリックではなく、予算をアクティブな制御シグナルとして扱うべきである。 まず、内部予算(エージェント計算から)と外部予算(エージェント行動から)として予算見積もりを体系的に定義する。 次に、予算認識を段階的間隔推定として定式化する。
  論文  参考訳（メタデータ） (2026-05-29T17:02:17Z)
• Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
  emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。 EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
  論文  参考訳（メタデータ） (2026-05-28T09:45:47Z)
• Maximizing Rollout Informativeness under a Fixed Budget: A Submodular View of Tree Search for Tool-Use Agentic Reinforcement Learning [21.974153439592317]
  予算によらない独立したサンプルは、予算に関わらず、ハードプロンプトのためにゼロから切り離された崩壊率に悩まされていることを実証する。 我々の不確実性認識上信頼境界(UUCB)用語は、この目的の閉形式的限界利得として生じる。 本稿では,UUCBとABA(Adaptive Budget Allocator)を結合した学習時間木探索フレームワークInfoTreeと,非同期投機拡張スキームを提案する。
  論文  参考訳（メタデータ） (2026-05-06T06:17:48Z)
• LLM Readiness Harness: Evaluation, Observability, and CI Gates for LLM/RAG Applications [51.56484100374058]
  評価をデプロイメント決定ワークフローに変換するLLMおよびRAGアプリケーションのための準備性ハーネスを提案する。 このシステムは、最小限のAPI契約の下で、自動ベンチマーク、OpenTelemetryオブザーバビリティ、CI品質ゲートを組み合わせる。 チケットルーティングとBEIRタスクのハーネスを、完全なAzureマトリックスカバレッジで評価する。
  論文  参考訳（メタデータ） (2026-03-28T18:03:32Z)
• Phase Transition for Budgeted Multi-Agent Synergy [41.486076708302456]
  マルチエージェントシステムは信頼性を向上させることができるが、固定された推論予算の下では、しばしば役立つか、飽和するか、崩壊するかさえある。 我々は、現代のエージェントスタックの3つの束縛制約からこれらの状態を予測する最小限の校正可能な理論を開発する。
  論文  参考訳（メタデータ） (2026-01-24T05:32:50Z)
• See Less, Drive Better: Generalizable End-to-End Autonomous Driving via Foundation Models Stochastic Patch Selection [51.59559387222532]
  エンドツーエンド自動運転の最近の進歩は、パッチアライメント機能で訓練されたポリシーが、アウト・オブ・ディストリビューション(OOD)よりも一般化していることを示している。 我々は、より堅牢で、一般化可能で、効率的な学習ポリシーのためのシンプルで効果的なアプローチである2.4-Patch-Selection(SPS)を提案する。
  論文  参考訳（メタデータ） (2026-01-15T18:58:33Z)
• Comprehensive Validation of Replica Symmetry Breaking via Quantum Annealing: From Ground States to Topological Collapse [0.0]
  我々はジョルジョ・パリシのシェリントン・カークパトリックスピンガラスの正確な解を4000スピンに拡張する。 レプリカ対称性の破れの出現と崩壊を調査する。 この包括的検証は、複素系における基本的な統計力学を探索するための量子的優位性を確立する。
  論文  参考訳（メタデータ） (2025-11-09T14:33:22Z)
• Autoregressive Bandits [58.46584210388307]
  本稿では,オンライン学習環境であるAutoregressive Banditsを提案する。 報酬プロセスの軽微な仮定の下では、最適ポリシーを便利に計算できることが示される。 次に、新しい楽観的後悔最小化アルゴリズム、すなわちAutoRegressive Upper Confidence Bound (AR-UCB)を考案し、$widetildemathcalO left( frac(k+1)3/2sqrtnT (1-G)のサブ線形後悔を被る。
  論文  参考訳（メタデータ） (2022-12-12T21:37:36Z)
• Provably Efficient Offline Reinforcement Learning with Trajectory-Wise Reward [66.81579829897392]
  我々はPessimistic vAlue iteRaTionとrEward Decomposition (PARTED)という新しいオフライン強化学習アルゴリズムを提案する。 PartEDは、最小2乗ベースの報酬再分配を通じて、ステップごとのプロキシ報酬に軌道を分解し、学習したプロキシ報酬に基づいて悲観的な値を実行する。 私たちの知る限りでは、PartEDは、トラジェクティブな報酬を持つ一般のMDPにおいて、証明可能な効率のよい最初のオフラインRLアルゴリズムである。
  論文  参考訳（メタデータ） (2022-06-13T19:11:22Z)
• Provably Efficient Safe Exploration via Primal-Dual Policy Optimization [105.7510838453122]
  制約付きマルコフ決定過程(CMDP)を用いた安全強化学習(SRL)問題について検討する。 本稿では,関数近似設定において,安全な探索を行うCMDPの効率の良いオンラインポリシー最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-01T17:47:03Z)

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。