論文の概要: DiagLoop: A Counterfactual Data Flywheel with Stage-Localized Reinforcement for Diagnostic LLMs

• arxiv url: http://arxiv.org/abs/2608.03674v1
• Date: Tue, 04 Aug 2026 13:49:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.226934
• Title: DiagLoop: A Counterfactual Data Flywheel with Stage-Localized Reinforcement for Diagnostic LLMs
• Title（参考訳）: DiagLoop: ステージローカライズ強化による診断用データフライホイール
• Abstract要約: DiagLoopは、認知された物理的関係や臨床ガイドラインをトレーニングの監督に変換する、反ファクト的なデータフライホイールである。 訓練のみの教師は様々な原因、文脈、観察によって反現実の世界を提案し、一方独立したハイブリッドチェッカーは有効な世界しか認めない。 非終端障害に対しては、境界付き修復プローブが下流のコンピテンスを探索し、その結果の弱点プロファイルがその後のデータ生成を導く。
• 参考スコア（独自算出の注目度）: 5.241146164724621
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal diagnostic models must explain how conclusions follow from evidence because diagnoses guide repairs and treatments. Yet serious cases are scarce, records rarely contain reasoning paths, and data transfer poorly across configurations, complicating local deployment. We present DiagLoop, a counterfactual data flywheel that converts codified physical relations or clinical guidelines, authored once per mechanism family, into training supervision beyond recorded cases. A training-only teacher proposes counterfactual worlds by varying causes, contexts, and observations, while an independent hybrid checker admits only valid worlds. The student reasons through symptom abstraction, causal-chain construction, and root-cause attribution. Stage-specific criteria identify its earliest failure. For nonterminal failures, a bounded repair probes downstream competence, and the resulting weakness profile guides subsequent data generation. Stage-localized reinforcement learning updates only the model-generated continuation, while replay and preservation reduce forgetting. The same criteria govern admission, attribution, reward, and regeneration through checks separate from the proposer. Using only synthesized scenarios and no case-level expert reasoning annotations, the resulting 8B model improves strict path correctness over the strongest conventional baseline. Gains are 11.6 points across eight industrial systems and 5.5 points across ten disease categories. Gains over a deranged-routing control are 3.9 and 2.3 points, respectively. The model also exceeds the evaluated proprietary references in both domains, even when they receive few-shot examples or the specification in context.
• Abstract（参考訳）: 因果診断モデルは、診断が修復と治療を導くため、証拠からの結論がどのように続くかを説明する必要がある。 しかし深刻なケースは少なく、レコードには推論パスがほとんど含まれず、構成間でのデータ転送が不十分で、ローカルデプロイメントが複雑になる。 筆者らはDiagLoopについて,符号化された物理関係や臨床ガイドラインを1つのメカニズムファミリーに1回作成し,記録された事例を超えた指導に変換する,反ファクト的なデータフライホイールについて紹介する。 訓練のみの教師は様々な原因、文脈、観察によって反現実の世界を提案し、一方独立したハイブリッドチェッカーは有効な世界しか認めない。 学生は症状の抽象化、因果連鎖の構築、根起因の帰属による理由付けを行う。 ステージ固有の基準は、その初期の失敗を識別する。 非終端障害に対しては、境界付き修復プローブが下流のコンピテンスを探索し、その結果の弱点プロファイルがその後のデータ生成を導く。 ステージローカライズされた強化学習は、モデル生成継続のみを更新する一方で、リプレイと保存は忘れを減少させる。 同じ基準は、提案者から切り離された小切手を通じて、入場、帰属、報酬、再生を規定している。 合成シナリオのみを使用し、ケースレベルの専門家推論アノテーションを使用せず、結果として得られる8Bモデルは、最強の従来のベースラインよりも厳密なパスの正確性を改善する。 8つの産業システムに11.6ポイント、10の疾患カテゴリに5.5ポイントのゲインがある。 乱れ制御の利得はそれぞれ3.9点と2.3点である。 このモデルは、いくつかの例やコンテキストの仕様を受け取っている場合でも、両方のドメインで評価されたプロプライエタリな参照を超えます。

関連論文リスト

• SynthSentry: Detecting Synthetic Data Contamination in Language Model Training Data [2.998247765202193]
  コーパスレベルのモデルに依存しない汚染信号は生成モデルへのアクセスを必要とせず、生成履歴も合成ラベルも不要である。 我々は,小型オープンウェイト発生器が汚染したコーパスと,アウト・ワン・ジェネレータ・アウトプロトコルに基づく命令調整オープンウェイト・モデルについて検討した。 スコアは、ジェネレータファミリー全体が持ち出されるときにほとんど損失のない重大さでコーパスをランク付けする。
  論文  参考訳（メタデータ） (2026-09-11T02:25:18Z)
• Vision: Data-Centric Anchoring for Robust and Interpretable Agentic AI [21.406298170489507]
  我々は、堅牢性と解釈可能性は、トレーニング後のモデルから抽出するのではなく、データ環境に組み込むべきだと論じている。 私たちの中心的な貢献は、Curate、Augment、Constrain、Attributeの4段階フレームワークであるData-Centric Agentic Loopです。 このフレームワークは4つのコア障害モードをデータライフサイクルにリンクする、障害駆動型分類に基盤を置いています。
  論文  参考訳（メタデータ） (2026-09-08T03:57:54Z)
• From Trajectories to Evidence: Auditable Experimental Records for Industrial Research Agents [47.678562263387214]
  研究エージェントは、産業レコメンデーション設定において、多段階の機械学習実験をますます実施している。 生成されたアーティファクトは、サポートされないか、不完全かもしれないし、実行されたラウンドは無効かもしれないし、あるいは廃止されるかもしれないし、後の修正は、以前の発見を曖昧にするかもしれない。 本稿では,連続的アーティファクトのバウンダリ検証と実行後のクレーム資格を結合するエビデンス・グラウンド・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-05T13:37:38Z)
• CausalOPD: First-Wrong-Step Supervision for Distilling Causal Chain Reasoning [5.241146164724621]
  CausalOPDはオンラインプロセス蒸留フレームワークである。 知識を付加した教師は、まずドメイン固有の因果規則に基づく軌跡を提供する。 因果段階のカリキュラムはエビデンスレベルからメカニズムレベル、結論レベルのエラーへと進化する。
  論文  参考訳（メタデータ） (2026-08-04T13:49:12Z)
• Conformalized Large Language Models under Configuration Shift [46.502741608809174]
  コンフォーマル予測は不確実性定量化のための分布のないフレームワークである。 非整合性スコアは、単に固定モデルではなく、推論パイプラインによって引き起こされることが多い。 構成シフトがCPの妥当性を損なうことを示す。
  論文  参考訳（メタデータ） (2026-08-02T19:34:41Z)
• Before the Action: Benchmarking LLMs on Prospective Hypothesis Discovery [95.44432473367836]
  大規模言語モデル(LLM)は、事前に特定された質問に答える能力に優れるが、未解決の未解決段階をナビゲートする能力はほとんど測定されていない。 仮説探索(PHD)を導入し,不確定な証拠から,仮説空間を自律的に構築することをモデルに求める。 本稿では,6つの科学的・分析的領域にわたる988ケースのベンチマークであるHypoArenaと,オープンエンド仮説セットの評価フレームワークであるHypoEvalを紹介する。
  論文  参考訳（メタデータ） (2026-07-17T08:56:43Z)
• DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
  新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。 適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。 DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
  論文  参考訳（メタデータ） (2026-06-30T20:57:51Z)
• One Reflection Is Not Enough: Self-Correcting Autonomous Research via Multi-Hypothesis Failure Attribution [85.65263343588026]
  我々は,自己修正型,自律型,接地型実験機であるSAGEを提案する。 その中核的なメカニズムであるMHFA(Multi-Hypothesis Failure Attribution)は、回復を構造的因果診断として扱う。 12のトピック、5ドメインのベンチマークでは、SAGEは基準リフレクションでメトリクスを含むアウトプットを42%から92%に増やしている。
  論文  参考訳（メタデータ） (2026-06-30T10:54:16Z)
• AuthTrace: Diagnosing Evidence Construction in Thematically Dense Single-Author Corpora [6.956097396264084]
  AuthTraceは,主題的に密集した単一著者コーパスに基づいて構築された診断ベンチマークである。 AuthTraceは明示的な引用されたエビデンス、正確なファンインアノテーション、エビデンスリコール、エビデンス精度、答えの正当性を測定する統一パックレベルのプロトコルを提供する。
  論文  参考訳（メタデータ） (2026-05-25T03:10:52Z)
• SAAG: Structured Agent Assessment and Grounding [13.62148061055744]
  本稿では,エージェント呼び出し評価を3段階に分解するケースケード診断フレームワークを提案する。 このフレームワークは,5,10,15エージェントのレジストリサイズにまたがって,Glaiveの関数呼び出しデータセットから得られたベンチマークで評価する。
  論文  参考訳（メタデータ） (2026-04-30T19:33:58Z)
• CausalT5K: Diagnosing and Informing Refusal for Trustworthy Causal Reasoning of Skepticism, Sycophancy, Detection-Correction, and Rung Collapse [1.4608214000864057]
  CausalT5Kは10ドメインにわたる5000以上のケースの診断ベンチマークである。 合成ベンチマークとは異なり、CausalT5Kはリアルな物語に因果トラップを埋め込んでいる。 予備的な実験では、静的監査ポリシーが普遍的に失敗する4段階のコントロールランドスケープが示される。
  論文  参考訳（メタデータ） (2026-02-09T17:36:56Z)
• Decomposed Prompting Does Not Fix Knowledge Gaps, But Helps Models Say "I Don't Know" [47.930782177987446]
  大規模言語モデルは、クローズドブックの質問応答において知識限界を認識するのに苦労することが多く、自信ある幻覚へと繋がる。 我々は、モデルスケールの異なるDirect、Assistive、Incrementalの3つのタスク等価プロンプトとマルチホップQAベンチマークを評価した。 幻覚が一致している間に事実知識が安定しているため、クロスレジームは内部の不確実性の正確なシグナルを与える。
  論文  参考訳（メタデータ） (2026-02-04T18:39:58Z)
• BURN: Backdoor Unlearning via Adversarial Boundary Analysis [73.14147934175604]
  Backdoor Unlearningは、モデル本来の機能を保持しながら、バックドア関連の情報を削除することを目的としている。 本稿では, 偽相関疎結合, プログレッシブデータリファインメント, モデル浄化を統合した新しい防御フレームワーク, BURNによるバックドア・アンラーニングを提案する。
  論文  参考訳（メタデータ） (2025-07-14T17:13:06Z)
• Robust Root Cause Diagnosis using In-Distribution Interventions [31.19149413954674]
  複雑な相互接続システムにおける異常の根本原因を診断することは、今日のクラウドサービスや産業運用において、差し迫った問題である。 In-Distribution Interventions (IDI) は2つの基準を満たすノードとして根本原因を予測する新しいアルゴリズムである。
  論文  参考訳（メタデータ） (2025-05-02T00:19:43Z)
• DAGnosis: Localized Identification of Data Inconsistencies using Structures [73.39285449012255]
  機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。 我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。 我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
  論文  参考訳（メタデータ） (2024-02-26T11:29:16Z)

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。