論文の概要: What the LLM Should Not Say: Boundary-Aware Context Grounding for A Seven-Channel EEG Agent

• arxiv url: http://arxiv.org/abs/2606.26519v2
• Date: Fri, 26 Jun 2026 03:13:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 13:57:07.331089
• Title: What the LLM Should Not Say: Boundary-Aware Context Grounding for A Seven-Channel EEG Agent
• Title（参考訳）: LLMが言うべきでないこと:7チャンネルの脳波エージェントのための境界認識コンテキストグラウンド
• Abstract要約: 大規模言語モデル(LLM)は科学ソフトウェアをより使いやすくする。 我々は,決定論的局所脳波エンジンをハードウェア対応言語層から分離するオープンソースアーキテクチャであるNeuraDock Agentを提案する。
• 参考スコア（独自算出の注目度）: 8.617463707951673
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) can make scientific software easier to use. However, a general model does not automatically know which measurements a particular sensor can support, which algorithms are implemented in the current software, or which conclusions are justified by a computed result. These distinctions are especially important for low-channel electroencephalography (EEG), where sparse spatial coverage and variable signal quality make plausible but unsupported interpretations easy to produce. We present NeuraDock Agent, an open-source architecture that separates a deterministic local EEG engine from a hardware-aware language layer. The numerical engine parses recordings, performs quality control, executes reviewed spectral workflows, and writes machine-readable artifacts. The LLM receives only a compact, allowlisted summary and a versioned context pack. The context describes the seven-channel hardware, reviewed workflows, result fields, implementation boundaries, scientific limits, and reference cases. Raw EEG and dense per-sample arrays remain local We evaluate the system at three levels. First, 12 recordings produced identical structured results over ten numerical repetitions, and a complete Rest/Task run produced identical result, report, and figure hashes over three repetitions. Second, request-capture and failure-injection experiments confirmed the tested data boundary and preservation of local artifacts under HTTP, malformed-output, and connection failures. Third, a boundary-awareness benchmark tested 36 ordinary and adversarial questions under four context ablations and two LLMs, yielding 288 outputs.These results support hardware- and implementation-aware grounding as a practical mechanism for calibrating what an EEG agent accepts, qualifies, or refuses; they do not establish clinical validity or a validated absolute cognitive-load index.
• Abstract（参考訳）: 大規模言語モデル(LLM)は科学ソフトウェアをより使いやすくする。 しかし、一般的なモデルでは、特定のセンサがどの測定をサポートできるか、どのアルゴリズムが現在のソフトウェアで実装されているのか、どの結論が計算結果によって正当化されているのかを自動で知ることはできない。 これらの区別は低チャネル脳波(EEG)において特に重要である。 我々は,決定論的局所脳波エンジンをハードウェア対応言語層から分離するオープンソースアーキテクチャであるNeuraDock Agentを提案する。 数値エンジンは記録を解析し、品質制御を行い、レビューされたスペクトルワークフローを実行し、機械可読品を書く。 LLMはコンパクトで許容可能な要約とバージョン付きコンテキストパックのみを受け取る。 このコンテキストでは、7チャンネルのハードウェア、レビューされたワークフロー、結果フィールド、実装境界、科学的制限、参照ケースが記述されている。 生の脳波と密集したサンプルごとのアレイは局所的に残っており、システムの評価は3段階である。 まず、12枚の録音で10回の数値繰り返しで同じ構造化結果が得られ、完全なRest/Taskの実行で3回の繰り返しで同じ結果、レポート、図形ハッシュが得られた。 第2に、リクエストキャプチャとフェールインジェクションの実験により、テストされたデータ境界と、HTTP下でのローカルアーティファクトの保存、不正出力、接続障害が確認された。 第3に,バウンダリ・アウェアネス・ベンチマークでは,通常の36の質問に対して,4つの文脈短縮と2つのLCMで288のアウトプットを得た。

関連論文リスト

• SeGDeP: Semantic- and Geometric-Aware Decoupled Prompts for Reasoning Segmentation [51.46828526392219]
  推論セグメンテーションは暗黙の言語学的結論を正確なマスクに変換する。 既存のMLLMセグメンタインタフェースでは、特別なトリガーを使用するか、両方の信号を1つのコンテキストに圧縮する。 明示的なWhat-whereインターフェースであるSeGDePを提示する。
  論文  参考訳（メタデータ） (2026-09-08T15:11:32Z)
• Intent-Level Quantum Programming with Assertion-Guided Execution and Inspectable Intermediate Representation [0.22183164865527472]
  量子ドメイン固有言語(Q)は3つのメカニズムを通して問題に対処する。 第1級IRイントロスペクション、回路幅の露光、ワイヤマッピング、操作順序、および実行前の開発者検査のための測定意図。 アサーション誘導モード推論では、エンジンが宣言された検証プロパティを調べて、サンプリング、ステートベクタ、デュアル実行を自動的に選択する。
  論文  参考訳（メタデータ） (2026-07-31T18:21:32Z)
• Automating the Design of Embodied Agent Architectures [17.294577626616917]
  エージェントは一般的に、知覚、記憶、計画、行動モジュールのハンドデザインされた構成として構築される。 本研究では,エミュレータを編集可能なノード・アンド・ワイヤプログラムとしてホストし,シミュレータを意識した実行とエピソードレベルのログを生成する型グラフランタイムを提案する。 視覚言語ナビゲーション,具体的質問応答,言語条件の操作にまたがる4つの実施者を対象に,AASの3つの変種を評価した。
  論文  参考訳（メタデータ） (2026-06-29T10:45:37Z)
• Steering Vision-Language Models with Joint Sparse Autoencoders [2.367986397868328]
  連成スパースオートエンコーダ(JSAE)を導入し、シーケンスプールされた視覚と言語アクティベーションを、共用、解釈可能な画像/カプセルレベルの特徴に分解する。 JSAEを視覚言語モデル(VLM)に適用すると、制御可能なクロスモーダルステアリングの方向として使うのが難しい表現が得られる。
  論文  参考訳（メタデータ） (2026-06-24T10:11:04Z)
• The Attribution Blind Spot: Detecting When Language Models Rely on Memory Rather Than Retrieved Context [22.202409807556517]
  帰属盲点に対処するために,計算現実モニタリングを導入する。 CRMは、認知科学の現実監視フレームワークから適応した原則を運用する。 プレトレーニングされた露光が測定可能な内部軌道シグネチャを残すかどうかを検出する。
  論文  参考訳（メタデータ） (2026-05-26T09:48:51Z)
• PRIMA: Operational Patterns for Resilient Multi-Agent Research with Verifiable Identity and Convergent Feedback [0.0]
  PRIMAは、複数時間にわたる協調型マルチエージェント研究システムとして運用されている。 主なコントリビューションは、生存可能な障害モードのための3つの運用パターンである。 グラフ同型ケーススタディは、生成されたアーティファクトのアーキテクチャ的クレームを根拠にしている。
  論文  参考訳（メタデータ） (2026-05-23T23:27:46Z)
• From I/O to Code with Discovery Agent [103.88427301265669]
  IO2Codeの発見エージェントであるDIO-Agentを提案する。 本手法は,プログラム空間上の進化的探索としてIO2Codeをフレーム化する。 大規模な実験により、DIO-Agentは従来のプログラムバイサンプル法とSOTA進化エージェントベースラインの両方を一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2026-05-14T18:57:32Z)
• LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
  大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。 CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
  論文  参考訳（メタデータ） (2026-05-02T11:31:33Z)
• From Early Encoding to Late Suppression: Interpreting LLMs on Character Counting Tasks [49.57538588967748]
  LLM(Large Language Model)は、複雑なベンチマークでは優れているにもかかわらず、単語中の文字数などの基本的な記号的タスクにおいて失敗を示す。 我々は、LLaMA、Qwen、Gemmaなど、現代のアーキテクチャにまたがる一貫した現象を発見した。 LLMにおけるシンボリック推論失敗は,表現不足やスケール不足によるものではなく,モデル計算グラフ内の構造的干渉によるものであることを示す。
  論文  参考訳（メタデータ） (2026-04-01T11:40:12Z)
• From Indoor to Open World: Revealing the Spatial Reasoning Gap in MLLMs [65.04549036809557]
  我々は、ステレオカメラ、LiDAR、IMU/GPSセンサーで撮影された歩行者の視線映像から構築したベンチマークを紹介する。 このデータセットは、計量的に正確な3D情報を提供し、空間的推論質問の自動生成を可能にする。 評価の結果、構造化屋内ベンチマークで観測された性能向上は、オープンワールド環境では消滅することが明らかとなった。
  論文  参考訳（メタデータ） (2025-12-22T18:58:12Z)
• Excising dead components in the surface code using minimally invasive alterations: A performance study [2.3824181818254027]
  固体量子ビットでは、量子エラー訂正プロトコルは、(i)デッドコンポーネントなしで同じネイティブな演算セットを使用し、(ii)関数コンポーネントのサルベージを最大化し、(iii)一貫したグローバルな演算スケジュールを使用するのが理想である。 我々は,回路レベルの雑音下でのデッドコンポーネントの存在下で,このペアワイズ計測に基づくサーフェスコードプロトコルの提案を広範囲に数値シミュレーションする。
  論文  参考訳（メタデータ） (2025-08-06T18:02:25Z)
• Beyond Isolated Dots: Benchmarking Structured Table Construction as Deep Knowledge Extraction [80.88654868264645]
  Arranged and Organized extract Benchmarkは、断片化された文書を理解するための大規模言語モデルの能力を評価するために設計された。 AOEには3つの異なるドメインにまたがる11のタスクが含まれており、さまざまな入力クエリに適したコンテキスト固有のスキーマを生成するモデルが必要である。 結果は、最も先進的なモデルでさえ、かなり苦労したことを示している。
  論文  参考訳（メタデータ） (2025-07-22T06:37:51Z)
• Small Encoders Can Rival Large Decoders in Detecting Groundedness [45.13986921082049]
  大規模言語モデル(LLM)を外部コンテキストで拡張することで、自然言語処理(NLP)タスクのパフォーマンスが大幅に向上する。 本研究は,LLMによるコストのかかる回答生成の前に,与えられたクエリがコンテキストで提供されるドキュメントにグラウンドドされているかを検出することに焦点を当てる。 我々は,RoBERTa や NomicBERT などの軽量なタスク固有エンコーダモデルにおいて,キュレートされたデータセットを微調整することで,最先端の LLM に匹敵する精度が得られることを示す。
  論文  参考訳（メタデータ） (2025-06-26T14:09:41Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• Bridging the Gap Between Clean Data Training and Real-World Inference for Spoken Language Understanding [76.89426311082927]
  既存のモデルはクリーンデータに基づいてトレーニングされ、クリーンデータトレーニングと現実世界の推論の間にtextitgapが発生する。 本稿では,良質なサンプルと低品質のサンプルの両方が類似ベクトル空間に埋め込まれた領域適応法を提案する。 広く使用されているデータセット、スニップス、および大規模な社内データセット(1000万のトレーニング例)に関する実験では、この方法は実世界の(騒々しい)コーパスのベースラインモデルを上回るだけでなく、堅牢性、すなわち、騒々しい環境下で高品質の結果を生み出すことを実証しています。
  論文  参考訳（メタデータ） (2021-04-13T17:54:33Z)

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。