論文の概要: Computing with Stochastic Oracles in AI-Augmented Computation
- arxiv url: http://arxiv.org/abs/2607.06893v1
- Date: Wed, 08 Jul 2026 01:32:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.24737
- Title: Computing with Stochastic Oracles in AI-Augmented Computation
- Title（参考訳）: AI強化計算における確率的オラクルによる計算
- Abstract要約: 本稿では,2つのオラクル応答方式でSOTMが達成できるものについて検討する。
どちらのスキームでも、SOTMは入力と内部のランダムソースから計算し、最初のクエリを生成する。
フレッシュレスポンスは、繰り返し呼び出しによって、正しいまたは高品質な出力に対する独立した証拠を蓄積することで、これらの天井を上げることができる。
- 参考スコア（独自算出の注目度）: 2.345146665577353
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Stochastic-Oracle Turing Machine (SOTM) framework models AI-augmented computation as the interaction of a probabilistic Turing machine with an oracle whose responses are drawn from context-dependent distributions. This paper studies what an SOTM can achieve under two oracle-response schemes: in a cached-response oracle, each distinct query receives one response that is reused on later calls to the same query, while in a fresh-response oracle, each call returns an independent response. In both schemes, the SOTM first computes from its input and internal random source to generate its first query, then proceeds adaptively, computing from its query-response transcript (the record of queries issued and responses received) to generate each subsequent query or produce a final output. Cached responses impose two transcript-based ceilings on achievable performance: a correct-identification ceiling governed by the total variation distance between the transcript distributions induced by the hidden states of the oracle, and an output quality ceiling equal to the expected score of the best output the SOTM can compute from the transcript. Fresh responses can raise these ceilings by allowing repeated calls to accumulate independent evidence toward correct or high-quality outputs. In the binary single-informative-query case, the error probability decreases exponentially in the number of calls to the same query at the Chernoff rate. For output quality, query-count bounds characterize threshold stopping when the score function is incorporated as part of the SOTM, and majority-based amplification bounds characterize the binary candidate-output model when it is not. Together, the results identify how response reuse, transcript information, and access to the score function determine what an SOTM can compute and at what token cost.
- Abstract（参考訳）: Stochastic-Oracle Turing Machine (SOTM)フレームワークは、確率的チューリングマシンと、応答が文脈依存分布から引き出されるオラクルとの相互作用として、AIの拡張された計算をモデル化する。
キャッシュされた応答オーラクルでは、各異なるクエリは、後続の呼び出しで同じクエリに再利用される1つの応答を受け取り、一方、新しい応答オーラクルでは、各コールは独立応答を返す。
両方のスキームにおいて、SOTMはまず入力と内部のランダムソースから計算して最初のクエリを生成し、次に適応的に処理し、クエリ応答のトランスクリプト(発行されたクエリの記録と受信されたレスポンス)から計算し、それぞれのクエリを生成したり、最終的な出力を生成する。
キャッチ応答は、2つの書き起こしベースの天井を達成可能な性能に課す: オラクルの隠蔽状態によって誘導される書き起こし分布間の全変動距離に支配される正しい識別天井と、SOTMが書き起こしから計算できる最高の出力の期待スコアに等しい出力品質天井。
フレッシュレスポンスは、繰り返し呼び出しによって、正しいまたは高品質な出力に対する独立した証拠を蓄積することで、これらの天井を上げることができる。
バイナリ単一インフォーマティブクエリの場合、誤り確率はチャーノフレートで同じクエリに対する呼び出し数で指数関数的に減少する。
出力品質については、スコア関数をSOTMの一部として組み込んだ場合、クエリカウントバウンダリがしきい値停止を特徴付け、多数ベース増幅バウンダリが、そうでない場合にはバイナリ候補出力モデルを特徴付ける。
結果と合わせて、レスポンスの再利用方法、書き起こし情報、スコア関数へのアクセスによって、SOTMが計算できるもの、トークンコストが決定される。
関連論文リスト
- Probabilistic Language Tries: A Unified Framework for Compression, Decision Policies, and Execution Reuse [0.0]
列上の任意の生成確率モデルによって暗黙的に定義されたプレフィックス構造を明示する統一表現であるLanguage Try (PLTs)を導入する。
また,任意のデータセットをカバー多数とスパース残量ストアに分解するハイブリッド圧縮アーキテクチャを導入し,Kolmogorov型プログラム表現とレート歪み理論を接続する。
論文 参考訳（メタデータ） (2026-03-29T21:24:26Z) - Xpose: Bi-directional Engineering for Hidden Query Extraction [0.0]
Hidden Query extract (HQE)は、クエリリカバリ、データベースセキュリティ、ベンダーマイグレーションなど、さまざまな産業ユースケースを持つ。
HQEのために開発されたリバースエンジニアリング(RE)ツールは、データベースの突然変異と生成技術に基づいており、キーベースの等結合と共役演算フィルタの述語でしかフラットクエリを抽出できない。
本稿では,TPCHベンチマークなどの現実的な複雑なクエリに対して,抽出範囲を拡大するHQEソリューションであるXposeを提案する。
論文 参考訳（メタデータ） (2025-04-15T06:17:58Z) - pEBR: A Probabilistic Approach to Embedding Based Retrieval [9.186585413958769]
埋め込みベースの検索は、クエリとアイテムの両方の共有セマンティック表現空間を学習することを目的としている。
我々は,textbfprobabilistic textbfEmbedding-textbfBased textbfRetrieval (textbfpEBR) フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-25T07:14:12Z) - Mitigating LLM Hallucinations via Conformal Abstention [70.83870602967625]
我々は,大言語モデルが一般ドメインでの応答をいつ無視すべきかを決定するための,原則化された手順を開発する。
我々は、幻覚率(エラー率)の厳密な理論的保証の恩恵を受けるため、共形予測手法を活用して、禁忌手順を開発する。
実験によって得られた共形禁忌法は, 種々の閉書, オープンドメイン生成質問応答データセットに, 幻覚率を確実に拘束する。
論文 参考訳（メタデータ） (2024-04-04T11:32:03Z) - CONFLARE: CONFormal LArge language model REtrieval [0.0]
Retrieval-augmented Generation (RAG)フレームワークは、大規模言語モデル(LLM)が知識ベースから関連する情報を検索し、応答を生成するコンテキストに組み込むことを可能にする。
RAGは、検索が必要な情報を応答生成のコンテキストとして識別できない場合、有効な応答を保証しない。
本稿では,RAGフレームワークにおける検索不確実性を定量化するために,共形予測を適用するための4段階のフレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-04T02:58:21Z) - Automata Learning from Preference and Equivalence Queries [17.33092604696224]
本稿では,能動オートマトン学習問題の新たな変種として,嗜好クエリを用いて有限オートマトンを積極的に学習する手法を提案する。
ReMAPは、クエリの複雑さの最小限の複雑さを、正確な等価クエリの下で正確に推測することが保証されている。
実験により,REMAPを大規模オートマトンにスケールすることは,一貫した教師から正しいオートマトンを学習するのに有効であることが示唆された。
論文 参考訳（メタデータ） (2023-08-18T04:49:45Z) - Phrase Retrieval for Open-Domain Conversational Question Answering with
Conversational Dependency Modeling via Contrastive Learning [54.55643652781891]
Open-Domain Conversational Question Answering (ODConvQA)は、マルチターン会話を通じて質問に答えることを目的としている。
そこで本研究では,単語列に対する句検索方式を用いて,回答を直接予測する手法を提案する。
論文 参考訳（メタデータ） (2023-06-07T09:46:38Z) - Reranking Overgenerated Responses for End-to-End Task-Oriented Dialogue
Systems [71.33737787564966]
エンド・ツー・エンド(E2E)タスク指向対話システム(ToD)は、いわゆる「いいね!
本稿では,システムによって当初過剰に生成された応答リストから高品質な項目を選択する方法を提案する。
本研究では,最先端のE2E ToDシステムを2.4BLEU,3.2ROUGE,2.8 METEORで改善し,新たなピーク値を得た。
論文 参考訳（メタデータ） (2022-11-07T15:59:49Z) - Visualizing Classifier Adjacency Relations: A Case Study in Speaker
Verification and Voice Anti-Spoofing [72.4445825335561]
任意のバイナリ分類器によって生成される検出スコアから2次元表現を導出する簡単な方法を提案する。
ランク相関に基づいて,任意のスコアを用いた分類器の視覚的比較を容易にする。
提案手法は完全に汎用的であり,任意の検出タスクに適用可能だが,自動話者検証と音声アンチスプーフィングシステムによるスコアを用いた手法を実証する。
論文 参考訳（メタデータ） (2021-06-11T13:03:33Z) - Open Question Answering over Tables and Text [55.8412170633547]
オープンな質問応答(QA)では、質問に対する回答は、質問に対する回答を含む可能性のある文書を検索して分析することによって生成される。
ほとんどのオープンQAシステムは、構造化されていないテキストからのみ情報を取得することを検討している。
我々は,このタスクの性能を評価するために,新しい大規模データセット Open Table-and-Text Question Answering (OTT-QA) を提案する。
論文 参考訳（メタデータ） (2020-10-20T16:48:14Z) - Conditional Self-Attention for Query-based Summarization [49.616774159367516]
条件依存モデリング用に設計されたニューラルネットワークモジュールであるテキスト条件自己アテンション(CSA)を提案する。
DebatepediaとHotpotQAベンチマークデータセットの実験は、CSAがバニラトランスフォーマーを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2020-02-18T02:22:31Z)
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。