論文の概要: NL-PAC: Specification Ambiguity and Certified Minimax Risk Floors in LLM-Mediated Supervision

• arxiv url: http://arxiv.org/abs/2607.08961v1
• Date: Thu, 09 Jul 2026 21:53:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.747753
• Title: NL-PAC: Specification Ambiguity and Certified Minimax Risk Floors in LLM-Mediated Supervision
• Title（参考訳）: NL-PAC:LLM-Mediated Supervisionにおける仕様曖昧性と認定ミニマックスリスクフロア
• Abstract要約: 固定モデルのしきい値付き復号法を用いて許容ラベルと候補ターゲットを定義するフレームワークであるNatural Language PACを紹介する。 凍結したQwen2.5--3B監査では、事前に特定されたプロンプトが正のモデル相対証明を出力し、パラフレーズと正確なルール制御がゼロになる。
• 参考スコア（独自算出の注目度）: 0.9475982252982437
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models increasingly provide labels, evaluations, and feedback for tasks specified in natural language. When a specification admits multiple readings but the supervision channel does not reveal which is operative, additional labels reduce sampling error without resolving the resulting identification problem. We introduce Natural Language PAC (NL-PAC), a framework that uses a fixed model's thresholded decoding law to define admissible labels and candidate targets. The probability that multiple labels are admissible equals the diameter of the pointwise-admissible target class, and under target-blind supervision every learner incurs worst-case risk of at least half this diameter, at every sample size; the exact randomized minimax risk over this class is attained by a data-independent strategy. Finite-sample confidence bounds make these quantities certifiable from held-out unlabeled inputs. In a frozen Qwen~2.5--3B audit, one prespecified prompt yields a positive model-relative certificate, whereas a paraphrase and exact-rule controls yield zero. A held-out bridge audit finds that supplied candidate reading clauses fail the admissibility condition needed to transfer the certificate to coherent readings. The guarantee is specific to the audited model, prompt, threshold, and input distribution; extending it to human interpretations requires external validation.
• Abstract（参考訳）: 大規模言語モデルは、自然言語で指定されたタスクのラベル、評価、フィードバックを提供するようになっている。 仕様書が複数の読み取りを許可するが、監督チャネルがどの処理を行うかを明らかにしない場合、追加ラベルは、その結果の識別問題を解決せずにサンプリングエラーを低減する。 固定モデルのしきい値付き復号法を用いて許容ラベルと候補ターゲットを定義するフレームワークである自然言語PAC(NL-PAC)を紹介する。 複数のラベルが許容される確率は、ポイントワイズ許容対象クラスの直径と等しく、ターゲットブラインド監視の下では、各学習者は、この直径の少なくとも半分の最悪のケースリスクをサンプルサイズ毎に発生させ、このクラスに対する正確なランダム化されたミニマックスリスクは、データに依存しない戦略によって達成される。 有限サンプル信頼境界は、保持されていない入力からこれらの量の証明を可能にする。 凍結したQwen~2.5--3B監査では、事前に特定されたプロンプトが正のモデル相対証明を出力し、パラフレーズと正確なルール制御がゼロになる。 保持されたブリッジ監査では、供給された候補読解条項が、証明書をコヒーレント読解に転送するために必要な許容条件を満たさないことを確認する。 保証は監査されたモデル、プロンプト、しきい値、入力分布に特有のものだ。

関連論文リスト

• A distribution-free certification framework for trustworthy crash-severity prediction [1.089614199781423]
  厳密なモデルを修正せずにラップする認証層を開発します。 テキサス州の7つのベースモデルにまたがる520万件の記録では、同層は同一の妥当性を持つ。 フレームワークは定理レベルのテストを備えたオープンソースパッケージとしてリリースされている。
  論文  参考訳（メタデータ） (2026-09-10T14:20:08Z)
• Finite-Sample Coverage Audits for High-Recall Candidate Generation: Certification and Learning-Theoretic Design [0.0]
  本研究は, 有限サンプル有効性を有する監査ラベルの証明に必要な数について検討し, この欠落した関連質量が小さいことを示す。 まず、候補集合の内部からラベルのみを使用する手順は、欠落した質量上の非自明な境界を証明できないことを示す。 近似よりも二項的・超幾何的逆転を用いた正確な有限サンプルツールキットを開発し,質量不足を証明した。
  論文  参考訳（メタデータ） (2026-07-23T16:21:30Z)
• Verifier-Bound Communication for LLM Agents: Certified Bounds on Covert Signaling [0.0]
  言語モデルエージェントを結合することで、ポリシーに準拠したメッセージの調整を表面レベルで隠蔽することができる。 生成と受け入れを分離するプロトコルであるCLBCを提案する。 このプロトコルは、遅延リークと明示的な残留チャネルの観点から、転写リークの上限をいかに高めるかを示す。
  論文  参考訳（メタデータ） (2026-02-27T23:42:37Z)
• Conditional Coverage Diagnostics for Conformal Prediction [47.93989136542648]
  条件付きカバレッジ推定が分類問題であることを示す。 得られたメトリクスの族をターゲットカバレッジ(ERT)の過剰なリスクと呼びます。 ERTのオープンソースパッケージと、以前の条件付きカバレッジメトリクスをリリースしています。
  論文  参考訳（メタデータ） (2025-12-12T18:47:39Z)
• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• COPU: Conformal Prediction for Uncertainty Quantification in Natural Language Generation [14.461333001997449]
  大規模言語モデル(LLM)の性能評価には,自然言語生成のための不確実性定量化(UQ)が不可欠である。 提案手法は,候補出力に基底真理を明示的に付加し,ロジットスコアを用いて非整合性を測定する手法である。
  論文  参考訳（メタデータ） (2025-02-18T07:25:12Z)
• Conformal Language Modeling [61.94417935386489]
  生成言語モデル(LM)の共形予測のための新しい手法を提案する。 標準共形予測は厳密で統計的に保証された予測セットを生成する。 我々は,オープンドメイン質問応答,テキスト要約,ラジオロジーレポート生成において,複数のタスクに対するアプローチの約束を実証する。
  論文  参考訳（メタデータ） (2023-06-16T21:55:08Z)
• Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
  本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。 擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。 ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
  論文  参考訳（メタデータ） (2023-03-27T07:46:58Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)

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。