論文の概要: Open-Ended Scenario Reasoning for Specialist Model Adaptation
- arxiv url: http://arxiv.org/abs/2607.06625v1
- Date: Tue, 07 Jul 2026 11:29:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.158932
- Title: Open-Ended Scenario Reasoning for Specialist Model Adaptation
- Title（参考訳）: スペシャリストモデル適応のためのオープンエンディングシナリオ推論
- Abstract要約: プロセス産業は、検証済みのスペシャリストモデルを蓄積しているが、センサードリフト、家畜の変動、レギュラースイッチングは、これらのモデルを新しいシナリオで体系的に劣化させる原因となっている。
この記事では、凍結したスペシャリストモデルを再トレーニングすることなく、目に見えないシナリオに適応させるために、Reasoning-Driven Open Adaptation for Specialist Models (ROAM)を提案する。
- 参考スコア（独自算出の注目度）: 3.8331203995580565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Process industries have accumulated validated specialist models, yet sensor drift, feedstock variation, and regime switching cause these models to degrade systematically in new scenarios. Collecting new labeled data and retraining is costly, while continuing with the original model incurs persistent bias. Existing adaptation methods require modifying model parameters with sufficient labeled data, making rapid response on deployed systems difficult. Using LLMs as direct predictors risks hallucinations and uncontrollable outputs. Such predictors also cannot incorporate unstructured scenario knowledge from the field. To address these limitations, this article proposes Reasoning-Driven Open Adaptation for Specialist Models (ROAM), a framework that uses LLM world knowledge and reasoning to adapt frozen specialist models to unseen scenarios without retraining. ROAM confines all corrections to a low-dimensional, semantically interpretable latent space. LLM-generated scenario judgments and online observations are fused under a unified probabilistic framework. A risk-constrained mechanism suppresses corrections under unreliable LLM evidence or abrupt scenario shifts and falls back to the original frozen model when evidence is insufficient. Experiments on a mineral thickening process and the public IndPenSim penicillin fermentation dataset show that ROAM reduces MAE by over 20\% in major shift settings such as hidden shifts with only 839 additional parameters and under 0.02\,ms per-step overhead. These results indicate that LLM reasoning can be turned into a conservative adaptation signal for industrial models already in service.
- Abstract（参考訳）: プロセス産業は、検証済みのスペシャリストモデルを蓄積しているが、センサードリフト、家畜の変動、レギュラースイッチングは、これらのモデルを新しいシナリオで体系的に劣化させる原因となっている。
新しいラベル付きデータの収集と再トレーニングにはコストがかかります。
既存の適応手法では、十分なラベル付きデータでモデルパラメータを変更する必要があり、デプロイされたシステムに対する迅速な応答が困難になる。
LLMを直接予測器として使用すると、幻覚や制御不能な出力が発生する。
このような予測器は、その分野からの非構造化シナリオ知識を組み込むことができない。
これらの制限に対処するため、この記事では、LLMの世界知識と凍結したスペシャリストモデルを、再トレーニングせずにシナリオに適応するための推論を行うフレームワークである、Reasoning-Driven Open Adaptation for Specialist Models (ROAM)を提案する。
ROAMはすべての補正を低次元で意味論的に解釈可能な潜在空間に限定する。
LLM生成シナリオ判断とオンライン観察は、統一確率的枠組みの下で融合される。
リスク制約機構は、信頼性の低いLCM証拠や突然のシナリオシフトの下での修正を抑制し、証拠が不十分な場合には元の凍結モデルにフォールバックする。
鉱物の濃厚化過程と一般のIndPenSimペニシリン発酵データセットの実験により、ROAMは839のパラメータのみを付加した隠れシフトや、ステップ当たり0.02\,ms以下といった主要なシフト設定において、MAEを20%以上削減することが示された。
これらの結果から, LLM推論は, 既に運用されている産業モデルに対する保守的な適応信号に変換できることが示唆された。
関連論文リスト
- Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。
このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。
多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
論文 参考訳（メタデータ） (2026-05-28T13:26:53Z) - From Residuals to Reasons: LLM-Guided Mechanism Inference from Tabular Data [10.795877029195845]
科学的応用のための機械学習における永続的な課題は、予測と理解を共同で達成することである。
マルチエージェント残差文脈学習(MARICL)を導入する。
MARICLは、すべてのデータセットのベースモデルに対して一貫して改善されている。
論文 参考訳（メタデータ） (2026-05-21T15:34:08Z) - 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) - Confusion-Aware Rubric Optimization for LLM-based Automated Grading [31.353360036776976]
本稿では,精度と計算効率を向上させる新しいフレームワークであるConfusion-Aware Optimization (CARO)を紹介する。
CAROはモノリシックなエラー信号を異なるモードに分解し、明確な診断と特定の誤分類パターンの修復を可能にする。
以上の結果から,複合エラー集約を外科的,モード特異的な修復に置き換えることにより,自動評価のスケーラビリティと精度が向上することが示唆された。
論文 参考訳（メタデータ） (2026-02-28T04:17:12Z) - Stabilizing Data-Free Model Extraction [2.5998827435861633]
既存のデータフリーモデル抽出法は代用モデルの振動精度に悩まされている。
生成学習にメタラーニングを用いたデータフリーモデル抽出手法であるMetaDFMEを提案する。
一般的なベースライン画像データセットに対する実験により,MetaDFMEは現在の最先端データフリーモデル抽出法よりも優れていることが示された。
論文 参考訳（メタデータ） (2025-09-14T08:36:56Z) - Flipping Against All Odds: Reducing LLM Coin Flip Bias via Verbalized Rejection Sampling [59.133428586090226]
大規模言語モデル(LLM)は、しばしば自然言語を用いて確率分布を正確に記述することができる。
このミスマッチはモンテカルロ法、エージェントベースのシミュレーション、ランダム化された意思決定などの信頼性を必要とするタスクでの使用を制限する。
本稿では,古典的リジェクションサンプリングの自然言語適応であるVerbalized Rejection Smpling (VRS)を紹介する。
論文 参考訳（メタデータ） (2025-06-11T17:59:58Z) - Self-Healing Machine Learning: A Framework for Autonomous Adaptation in Real-World Environments [50.310636905746975]
実世界の機械学習システムは、基礎となるデータ生成プロセスの分散シフトによって、モデルの性能劣化に遭遇することが多い。
概念のドリフト適応のような既存のシフトへのアプローチは、その理性に依存しない性質によって制限される。
我々はこれらの制限を克服するために自己修復機械学習(SHML)を提案する。
論文 参考訳（メタデータ） (2024-10-31T20:05:51Z) - Model Surgery: Modulating LLM's Behavior Via Simple Parameter Editing [63.20133320524577]
パラメータの小さなサブセットを編集することで、大きな言語モデル(LLM)の特定の振る舞いを効果的に調節できることを示す。
我々の手法は、RealToxicityPromptsデータセットで最大90.0%の毒性を減少させ、ToxiGenで49.2%を達成する。
論文 参考訳（メタデータ） (2024-07-11T17:52:03Z) - Low-rank finetuning for LLMs: A fairness perspective [54.13240282850982]
低ランク近似技術は、微調整された大規模言語モデルのデファクトスタンダードとなっている。
本稿では,これらの手法が初期訓練済みデータ分布から微調整データセットのシフトを捉える上での有効性について検討する。
低ランク微調整は好ましくない偏見や有害な振る舞いを必然的に保存することを示す。
論文 参考訳（メタデータ） (2024-05-28T20:43:53Z) - ReEval: Automatic Hallucination Evaluation for Retrieval-Augmented Large Language Models via Transferable Adversarial Attacks [91.55895047448249]
本稿では,LLMベースのフレームワークであるReEvalについて述べる。
本稿では、ChatGPTを用いてReEvalを実装し、2つの人気のあるオープンドメインQAデータセットのバリエーションを評価する。
我々の生成したデータは人間可読であり、大きな言語モデルで幻覚を引き起こすのに役立ちます。
論文 参考訳（メタデータ） (2023-10-19T06:37:32Z)
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。