論文の概要: How Stable Is a PNT Resilience Score? Decision-Instability of Single-Number Resilience Ratings under Framework-Aligned Weighting
- arxiv url: http://arxiv.org/abs/2607.05415v1
- Date: Mon, 22 Jun 2026 10:27:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-13 07:26:11.08952
- Title: How Stable Is a PNT Resilience Score? Decision-Instability of Single-Number Resilience Ratings under Framework-Aligned Weighting
- Title（参考訳）: PNT レジリエンススコアはどの程度安定か? フレームワーク指向の重み付けによる単一ノイズレジリエンスレーティングの決定-不安定性
- Abstract要約: 権限的位置決め、ナビゲーション、タイミング(PNT)のレジリエンスフレームワークは、レジリエンスの意味を定義するが、自己証明のみを提供する。
我々は,PNTシミュレータ上でのオープンな決定論的スコアリングエンジンとして,欠落した測定層を構築した。
一つの複合スコアまたは成熟度レベルが決定の安定的な基盤であるかどうかを問う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Authoritative positioning, navigation, and timing (PNT) resilience frameworks (the DHS Resilient PNT Conformance Framework, RPCF, and peers) define what resilience means but supply only self-attestation: a checklist or a maturity Level, with no engine and no measurement. We build the missing measurement layer as an open, deterministic scoring engine over a PNT simulator, emitting per-dimension sub-scores traceable to a scenario and an oracle, and ask whether a single composite score or maturity Level is a stable basis for a decision. Across seven architectures spanning cross-dimension tradeoffs, a Dirichlet simplex over the seven RPCF categories, and a five-threat ensemble, the answer splits in two. The composite winner is stable under active denial and under near-equal weightings (about 1 percent flip rate), so a single number is safe precisely where one design dominates; but re-weighting alone flips it in up to 22 percent of draws under nominal conditions, where designs contend, a known composite-indicator sensitivity. The sharper, weighting-invariant failure is categorical: a weakest-link maturity Level (our minimum-over-categories operationalization of the RPCF ladder, not the framework's rule) depends on the threat assumed, not the architecture, changing for one architecture in seven. Because the composite rewards declared techniques, a constructed single-band receiver declaring all seven outscores a more resilient system: self-attestation can be gamed by declaration. And apparent fourfold GNSS redundancy reduces, by the definition of a shared common-mode failure domain, to an effective diversity of one. Conclusions hold under +/-20 percent perturbation of every driver within the reduction. We report per-dimension sub-scores with provenance and a rank range, not a phantom single number. A self-assessment aligned to RPCF v2.0, not a certification.
- Abstract（参考訳）: 権限的位置決め、ナビゲーション、タイミング(PNT)レジリエンスフレームワーク(DHS Resilient PNT Conformance Framework, RPCF, peers)は、レジリエンスの意味を定義するが、自己検証のみを提供する。
本研究では,PNTシミュレータ上のオープンな決定論的スコアリングエンジンとして,シナリオやオラクルにトレース可能なサブスコア単位のサブスコアを出力し,単一の合成スコアや成熟度レベルが決定の安定な基盤であるかどうかを問う。
クロスディメンショントレードオフにまたがる7つのアーキテクチャ、RPCFの7つのカテゴリに対するDirichletのシンプルさ、そして5つのスレッドアンサンブルにまたがる答えは2つに分かれる。
複合的な勝者は、アクティブな否定とほぼ平等な重み付け(約1%のフリップレート)の下で安定しているため、単一の数字は1つの設計が支配する場所で正確に安全である。
最も弱いリンクの成熟度レベル(我々の最小限のオーバーオーバカテゴリのRPCFラグの運用化はフレームワークのルールではなく、フレームワークのルールです)は、アーキテクチャではなく、想定される脅威に依存します。
複合報酬はテクニックを宣言するため、構成されたシングルバンド受信機が7つのアウトスコア全てを宣言し、よりレジリエントなシステムとして自己証明を宣言することができる。
そして、共通モード障害ドメインの定義により、明らかに4倍のGNSS冗長性が1の効果的な多様性へと減少する。
コンクルージョンは、還元される全てのドライバーの+/-20%の摂動の下に保持される。
ファントム単数ではなく,前立腺とランク範囲を有する1次元のサブスコアを報告する。
認定ではなく、RPCF v2.0に準拠した自己評価。
関連論文リスト
- On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability [57.03393882933515]
Qwen3.8-Flash-Nextは125Bパラメータ、トークンあたり6Bアクティベートされ、加速器から保持されるn-gram埋め込みテーブルの51Bパラメータを持つスパースミックス・オブ・エキスパートモデルである。
トレーニング前の14のベンチマークでは、このモデルは前モデルの397B-A17Bを8点、残りを少なくとも2.6ポイント、アクティベートされたパラメータが1/3、トレーニングトークンが1/3、トレーニング用FLOPが1/9であった。
論文 参考訳（メタデータ） (2026-08-31T06:35:07Z) - Arena-T2I Hard: Benchmarking and Improving Faithfulness with Dependency-Aware Checklist [69.81453995715673]
既存の忠実度ベンチマークは単純な原子命令に依存している。
本稿では,実アリーナT2Iログから抽出した310プロンプトの応力ベンチマークであるArena-T2I Hardを紹介する。
本稿では,各プロンプトをイエス/ノー質問のDAGに分解し,失敗する両親の子孫をゼロにする依存性対応チェックリスト報酬を提案する。
論文 参考訳（メタデータ） (2026-06-30T14:17:05Z) - Decoupling Thought from Speech: Knowledge-Grounded Counterfactual Reasoning for Resilient Multi-Agent Argumentation [0.0]
マルチエージェントの議論フレームワークは、収束タスクにおける大きな言語モデルのパフォーマンスを改善することが示されている。
これらのフレームワークは現在、プロセスの安定性よりも最終的な出力精度を強く好んで最適化されている。
本稿では,KG-CFR(Knowledge-Grounded Counterfactual Reasoning)について紹介する。
論文 参考訳（メタデータ） (2026-06-09T06:43:18Z) - SkillDAG: Self-Evolving Typed Skill Graphs for LLM Skill Selection at Scale [54.70985426016736]
本稿では,スキル間関係を型付き有向グラフとしてモデル化したSkillDAGを提案する。
各検索はベクトルマッチング、型付きエッジ隣人、競合信号を返す。
ALFWorldとSkillsBench with MiniMax-M2.7では、SkillDAGは67.1%の成功と27.3%の報酬を得た。
論文 参考訳（メタデータ） (2026-06-02T02:45:21Z) - Certified Policy Optimisation for Nested Causal Bandits via PAC-Bayes Risk [0.0]
問題クラスをNested Contextual Causal Bandits (NCCBs) として定式化する。
我々の主要な理論的結果は、任意のデプロイメントポリシーを認定する因果的PAC-Bayesian過剰リスク境界である。
論文 参考訳（メタデータ） (2026-05-28T11:39:51Z) - Not Just RLHF: Why Alignment Alone Won't Fix Multi-Agent Sycophancy [0.7212939068975618]
事前訓練されたベースモデルは、インストラクトの変種と同じ置換パターンを示し、インストラクトよりも高い収率を平均化する。
このウィンドウの上のパッチは、クリーンにプレッシャーされたP(正しい)ギャップの96%を復元する。
2つの凝縮活性化空間介入は、新しいサイコファンシー回路を活性化するのではなく、圧力がクリーンな推論特性を抑制することを示している。
論文 参考訳（メタデータ） (2026-05-13T04:45:08Z) - Physics-Informed Causal MDPs for Sequential Constraint Repair in Engineering Simulation Pipelines [0.0]
本稿では,制約依存が層状DAGを形成するCMDPのためのフレームワークであるPI-CMDPを紹介する。
工学シミュレーションパイプラインにおける制約修復におけるPI-CMDPのインスタンス化を行う。
論文 参考訳（メタデータ） (2026-04-20T07:40:15Z) - FedSQ: Optimized Weight Averaging via Fixed Gating [1.2058208023553034]
フェデレーション学習は、生データを共有することなく、組織間で協調的なトレーニングを可能にする。
本稿では、DualCopyに基づくトランスファードニューラルフェデレーションであるFedSQ(Federated Structure-Quantitative Learning)を提案する。
ゲーティングの固定は、学習を不均一な分割下での凝集を安定化するアフィン内部の精製に還元する。
論文 参考訳（メタデータ） (2026-04-03T11:54:23Z) - 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) - CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。
エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。
CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
論文 参考訳（メタデータ） (2025-12-22T16:34:21Z) - Label Distributionally Robust Losses for Multi-class Classification:
Consistency, Robustness and Adaptivity [55.29408396918968]
多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。
我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。
本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
論文 参考訳（メタデータ） (2021-12-30T00:27:30Z)
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。