論文の概要: Closed-Loop Knowledge Dynamics: An Operational Framework for Saturation and Escape
- arxiv url: http://arxiv.org/abs/2607.14185v1
- Date: Wed, 15 Jul 2026 15:06:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:32.856657
- Title: Closed-Loop Knowledge Dynamics: An Operational Framework for Saturation and Escape
- Title（参考訳）: クローズドループ知識ダイナミクス:飽和とエスケープのための運用フレームワーク
- Abstract要約: クローズドループの知識システムが飽和している理由と,現在のアトラクタを超えて外部情報を移動できることについて検討する。
構造パラメータ$$でインデックスされた遷移カーネルを通じて、知識状態が$x_t$で進化する3段階の運用フレームワークを紹介します。
避難確率を高めるために,介入誘導型誘引器変位とベースライン相対KL下界の計測条件による避難を特徴付ける。
- 参考スコア（独自算出の注目度）: 10.96851791770302
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Feedback-driven loops support iterative improvement in large language models, reinforcement learning, and autonomous discovery, yet their gains often diminish under repeated internal feedback. We study why closed-loop knowledge systems saturate and what external information can move them beyond their current attractors. We introduce a three-level operational framework in which knowledge states $x_t$ evolve through transition kernels $K_θ$ indexed by a structural parameter $θ$. The governing structure is defined as the observational equivalence class of $θ$ induced by these kernels, while attractors and basins are properties of the fixed-$θ$ dynamics. A structural intervention changes $θ$ and produces a detectable kernel discrepancy on pre-specified probe states, making structural change falsifiable. Using a Lyapunov drift condition, we show that stable internal dynamics approach bounded stability regions with exponentially attenuated transients and a noise-controlled residual floor. We characterize escape through a metric condition on intervention-induced attractor displacement and a baseline-relative KL lower bound for increasing escape probability. This analysis also explains why conditional mutual information alone cannot certify escape: it measures variation among intervention-conditioned updates rather than departure from the no-intervention law. Case studies in LLM code repair, sparse-reward reinforcement learning, and Bayesian optimization use matched continuation controls to illustrate how feedback strength and alignment affect quality-improving escape. Our contribution is an operational connection among stability tools, measurable intervention effects, and cross-domain diagnostics.
- Abstract（参考訳）: フィードバック駆動ループは、大規模言語モデルの反復的改善、強化学習、自律的発見をサポートするが、内部フィードバックの繰り返しによってその利益は減少することが多い。
クローズドループの知識システムが飽和している理由と,現在のアトラクタを超えて外部情報を移動できることについて検討する。
構造パラメータ$θ$でインデックスされた遷移カーネルを通じて、知識状態$x_t$が進化する3段階の運用フレームワークを導入する。
支配構造はこれらの核によって誘導される$θ$の観測的同値類として定義され、引力と盆地は固定$θ$ダイナミクスの性質である。
構造的介入により$θ$が変化し、事前に特定されたプローブ状態における検出可能なカーネルの差が生じ、構造的変化が実現可能である。
Lyapunovドリフト条件を用いて、指数関数的に減衰した過渡度と騒音制御残差層を有する有界安定領域に安定した内部力学が近づくことを示す。
避難確率を高めるために,介入誘導型誘引器変位とベースライン相対KL下界の計測条件による避難を特徴付ける。
この分析は、条件付き相互情報だけではエスケープを証明できない理由についても説明している。
LLMコード修復、スパース・リワード強化学習、ベイズ最適化におけるケーススタディでは、フィードバック強度とアライメントが品質向上の回避にどのように影響するかを示すために、一致した継続制御を用いた。
私たちの貢献は、安定性ツール、測定可能な介入効果、ドメイン横断診断の間での運用上のつながりです。
関連論文リスト
- Actionable Hallucination Detection: Translating Latent Uncertainty into Agentic Critique [1.1172382217477128]
AIエージェントとしてデプロイされるLarge Language Models (LLM)は、しばしばユーザ仕様のグラウンド障害を示す。
既存の検出方法は、幻覚をローカライズしないか、禁忌の推論遅延を発生しないため、実行可能でリアルタイムな修正を提供することができない。
フリーズベースLCM世代と並行して動作する軽量低ランクアダプタ(LoRA)であるLatent Criticを導入する。
論文 参考訳（メタデータ） (2026-08-11T03:26:16Z) - Structured Fluctuations and the Information Dynamics of Self-Maintenance in Growing Neural Cellular Automata [0.7498027847107155]
成長するニューラルセルオートマタ(GNCA)は、堅牢な自己維持と自己修復を可能にする。
内部のゆらぎは情報の流れ、調整、そして誘引的リカレント状態への回帰を支援する機能成分として機能することを示す。
論文 参考訳（メタデータ） (2026-07-14T06:23:20Z) - iSTAR: an algebraic-collapse framework for variational reduction in quantum-inspired continuous Ising solvers [0.9704960686964833]
連続イジング解法は離散最適化問題を連続力学系に埋め込み、符号読み出しによってスピン構成を復元する。
このコストは本質的なものではなく、後期のシミュレート・バイフルケーションでは、軌道は低次元の活性部分空間に崩壊する。
Gセットベンチマークのオンライン認証実装は、すべての実行において同じシードのベースラインを保持し、密接な相互作用作業の64.4%を除去する。
論文 参考訳（メタデータ） (2026-07-05T02:02:19Z) - Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。
NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
論文 参考訳（メタデータ） (2026-05-21T16:45:31Z) - Adaptive Smooth Tchebycheff Attention for Multi-Objective Policy Optimization [55.338784037660474]
ドメインにおける多曲率強化学習は、矛盾する目的間の複雑な非脆弱な干渉トレードオフのバランスを必要とする。
本稿では,生態系をモニタリングするプロキシであるロボットビジュアルを用いた,新しいリアルタイムなリアルタイム最適化を提案する。
論文 参考訳（メタデータ） (2026-05-12T21:32:57Z) - Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。
テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。
Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文 参考訳（メタデータ） (2026-03-23T14:48:54Z) - On the Structural Non-Preservation of Epistemic Behaviour under Policy Transformation [51.56484100374058]
このような情報条件の相互作用パターンを振る舞い依存として定式化する。
これにより、$$-behavioural equivalenceというプローブ相対的な概念と、政治内行動距離が導かれる。
その結果、共通政策変換の下でプローブ条件の挙動分離が保存されない構造条件が明らかになった。
論文 参考訳（メタデータ） (2026-02-24T22:55:21Z) - Causal Imitation Learning Under Measurement Error and Distribution Shift [6.038778620145853]
ノイズ測定によってのみ、決定関連状態の一部が観察される場合、オフライン模倣学習(IL)について検討する。
本稿では,変数間の因果関係を明示的にモデル化することによって,測定誤差下でのILの一般的なフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-29T18:06:53Z) - Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。
シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。
マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
論文 参考訳（メタデータ） (2025-10-09T04:48:49Z) - Stochastic Path Planning in Correlated Obstacle Fields [1.8184089804625951]
本研究では,不確実な状態の空間的相関障害を有するナビゲーション環境であるSCOS(Correlated Obstacle Scene)問題を紹介する。
我々は,ブロック確率を洗練させるベイズ的信念更新を開発し,その後部を用いて探索空間を効率よく削減する。
このフレームワークは、敵の割り込みやクラスタ化された自然災害のある環境でのナビゲーション上の課題に対処する。
論文 参考訳（メタデータ） (2025-09-23T20:30:35Z) - Distributional Robustness and Regularization in Reinforcement Learning [62.23012916708608]
経験値関数の新しい正規化器を導入し、ワッサーシュタイン分布のロバストな値関数を下限とすることを示す。
強化学習における$textitexternalな不確実性に対処するための実用的なツールとして正規化を使用することを提案する。
論文 参考訳（メタデータ） (2020-03-05T19:56:23Z)
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。