論文の概要: Stabilizing black-box algorithms through task-oriented randomization
- arxiv url: http://arxiv.org/abs/2606.25269v1
- Date: Wed, 24 Jun 2026 01:09:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.181171
- Title: Stabilizing black-box algorithms through task-oriented randomization
- Title（参考訳）: タスク指向ランダム化によるブラックボックスアルゴリズムの安定化
- Abstract要約: 本稿では,タスク指向のランダム化手法を提案する。
総合的な安定性保証スイートが提案されている。
提案手法の有効性と有効性は,広範囲な数値シミュレーションと実世界のデータセットへの応用を通じて実証される。
- 参考スコア（独自算出の注目度）: 16.322641243950724
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As black-box models become foundational to modern research, ensuring their stability is paramount for the realization of trustworthy artificial intelligence. The inherent diversity of inputs - ranging from structured Gaussian distributions to complex data with unknown structures - poses a significant challenge: how to stabilize black-box outputs while effectively leveraging available prior information. This paper introduces a task-oriented randomization methodology that adaptively tailors its strategy to the underlying generative mechanisms of the input data, specifically addressing unstructured complexities. A comprehensive suite of stability guarantees is proposed. Beyond establishing rigorous theoretical foundations for stability, the research provides a detailed analysis of the intrinsic trade-off between stability and exploration. Motivated by the architecture of Large Language Models, the framework is further extended to top-k ranking problems. The validity and effectiveness of the proposal are demonstrated through extensive numerical simulations and applications to the real-world dataset.
- Abstract（参考訳）: ブラックボックスモデルが現代の研究の基盤となるにつれ、信頼性の高い人工知能の実現において、その安定性が最優先される。
入力の固有の多様性 - 構造化されたガウス分布から未知の構造を持つ複雑なデータまで - は、ブラックボックス出力を安定化し、利用可能な事前情報を効果的に活用する方法という、重大な課題を提起する。
本稿では,タスク指向のランダム化手法を導入し,その戦略を入力データの基本生成機構,特に非構造的複雑度に適応的に適合させる手法を提案する。
総合的な安定性保証スイートが提案されている。
安定のための厳密な理論基盤を確立する以外に、この研究は安定性と探検の間の本質的なトレードオフを詳細に分析する。
大規模言語モデルのアーキテクチャに動機づけられたこのフレームワークは、トップkランキング問題にさらに拡張されている。
提案手法の有効性と有効性は,広範囲な数値シミュレーションと実世界のデータセットへの応用を通じて実証される。
関連論文リスト
- A Novel Schur-Decomposition-Based Weight Projection Method for Stable State-Space Neural-Network Architectures [1.1151457846264183]
シュア分解に基づく新しい安定性保証・バックプロパゲーション対応プロジェクションスキームを導入する。
提案手法は、状態行列の実シュア分解の準三角因子を最も近い安定なピアに動的に投影する。
合成線形系の実験により、この手法は最先端の安定系同定技術に匹敵する精度と収束率を達成することを示した。
論文 参考訳（メタデータ） (2026-05-14T07:28:11Z) - Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。
SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。
複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
論文 参考訳（メタデータ） (2026-02-01T12:56:10Z) - Opportunities in AI/ML for the Rubin LSST Dark Energy Science Collaboration [63.61423859450929]
この白書は、DESCの主要な宇宙探査と横断的分析を通して、AI/MLの現在の状況を調査している。
本研究では,大規模ベイズ推定,物理インフォームド手法,検証フレームワーク,発見のための能動的学習など,主要な方法論研究の優先事項を明らかにする。
論文 参考訳（メタデータ） (2026-01-20T18:46:42Z) - Uncertainty-Resilient Multimodal Learning via Consistency-Guided Cross-Modal Transfer [0.0]
この論文は、整合性誘導型クロスモーダルトランスファーによる不確実性と弾力性のあるマルチモーダル学習を探求する。
中心となる考え方は、堅牢な表現学習の基盤として、クロスモーダルなセマンティック一貫性を使用することである。
この基礎の上に構築された論文は、セマンティックロバスト性を高め、データ効率を向上し、ノイズや不完全な監視の影響を減らすための戦略を調査する。
論文 参考訳（メタデータ） (2025-11-18T15:26:42Z) - Mechanistic Interpretability as Statistical Estimation: A Variance Analysis of EAP-IG [10.620784202716404]
我々は,回路探索などの解釈可能性の手法を統計的推定器とみなすべきであると論じている。
本稿では,最先端回路探索手法であるEAP-IGの系統的安定性解析を行う。
論文 参考訳（メタデータ） (2025-10-01T12:55:34Z) - White-Basilisk: A Hybrid Model for Code Vulnerability Detection [45.03594130075282]
我々は、優れた性能を示す脆弱性検出の新しいアプローチであるWhite-Basiliskを紹介する。
White-Basiliskは、パラメータ数2億の脆弱性検出タスクで結果を得る。
この研究は、コードセキュリティにおける新しいベンチマークを確立し、コンパクトで効率的に設計されたモデルが、特定のタスクにおいてより大きなベンチマークよりも優れているという実証的な証拠を提供する。
論文 参考訳（メタデータ） (2025-07-11T12:39:25Z) - Rigorous Probabilistic Guarantees for Robust Counterfactual Explanations [80.86128012438834]
モデルシフトに対する反ファクトの堅牢性を計算することはNP完全であることを示す。
本稿では,頑健性の厳密な推定を高い保証で実現する新しい確率論的手法を提案する。
論文 参考訳（メタデータ） (2024-07-10T09:13:11Z) - Stability-Certified Learning of Control Systems with Quadratic
Nonlinearities [9.599029891108229]
この研究は、主に低次元の力学モデルを構築することを目的とした演算子推論手法に焦点を当てている。
本研究の目的は,本質的な安定性を保証する2次制御力学系の推論を容易にする手法を開発することである。
論文 参考訳（メタデータ） (2024-03-01T16:26:47Z) - Evaluating the Stability of Deep Learning Latent Feature Spaces [0.0]
本研究では,潜在空間の安定性を評価し,その後の解析における一貫性と信頼性を確保するための新しいワークフローを提案する。
我々はこのワークフローを500のオートエンコーダ実現と3つのデータセットにまたがって実装し、合成シナリオと実世界のシナリオの両方を包含する。
本研究は,潜在特徴空間における固有の不安定性に注目し,これらの不安定性を定量化し解釈するワークフローの有効性を実証するものである。
論文 参考訳（メタデータ） (2024-02-17T23:41:15Z) - Distributionally Robust Model-based Reinforcement Learning with Large
State Spaces [55.14361269378122]
強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。
広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。
本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
論文 参考訳（メタデータ） (2023-09-05T13:42:11Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳（メタデータ） (2021-05-17T08:36:18Z) - Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
データ管理の統合コンポーネントにおける公平性について検討する。
本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
論文 参考訳（メタデータ） (2020-06-10T20:20:10Z)
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。