論文の概要: Error-Aware Reverse Auction Mechanism for Large Language Model Routing
- arxiv url: http://arxiv.org/abs/2608.12719v1
- Date: Thu, 13 Aug 2026 02:04:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.365214
- Title: Error-Aware Reverse Auction Mechanism for Large Language Model Routing
- Title（参考訳）: 大規模言語モデルルーティングのための誤り認識逆推論機構
- Abstract要約: 本稿では,元アンティー予測を逆オークションを通じてLLMプロバイダにシフトする市場ベースのルーティングパラダイムを提案する。
EA-RAMはDual Errorに対して堅牢であり、集中ベースラインよりもコストパフォーマンスの高いフロンティアを実現していることを示す。
- 参考スコア（独自算出の注目度）: 16.267799788978603
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Routing each query to a cost-effective large language model (LLM) is critical for balancing quality and cost, yet most routers rely on a centralized task center to predict model performance, creating an information-risk mismatch and a scalability bottleneck as the model pool grows. We propose a market-based routing paradigm that shifts ex-ante prediction to LLM providers via a reverse auction, where providers bid with self-predicted success probabilities and execution costs. To account for inherently noisy provider predictions and center evaluations, we introduce the \textit{\textbf{E}rror-\textbf{A}ware \textbf{R}everse \textbf{A}uction \textbf{M}echanism} (EA-RAM), which explicitly models this inherent Dual Error. We prove that EA-RAM is Bayesian incentive compatible and individually rational under the Dual Error, establish sufficient conditions for center rationality, and derive an explicit welfare-loss bound. We further identify robustness effects: opposite-signed errors can cancel, vanishing-tail link functions (e.g., logistic) stabilize clear-cut cases via saturation, and extra noise smooths belief maps, reducing the gains from marginal manipulation. Experiments on simulations and real-world benchmarks show that EA-RAM is robust to the Dual Error and achieves a better cost--performance Pareto frontier than centralized baselines, with additional gains when providers contribute local information, validating its practical effectiveness.
- Abstract（参考訳）: コスト効率の高い大規模言語モデル(LLM)に各クエリをルーティングすることは、品質とコストのバランスをとる上で非常に重要ですが、ほとんどのルータは、モデルのパフォーマンスを予測するために集中型のタスクセンタに依存しており、モデルプールが大きくなるにつれて、情報リスクのミスマッチとスケーラビリティのボトルネックが発生します。
本稿では,自己予測成功確率と実行コストの入札を行う逆オークションを通じて,元アンティー予測をLLMプロバイダにシフトする市場ベースのルーティングパラダイムを提案する。
本質的にノイズの多いプロバイダの予測とセンタ評価を考慮し、この固有のデュアルエラーを明示的にモデル化した \textit{\textbf{E}rror-\textbf{A}ware \textbf{R}everse \textbf{A}uction \textbf{M}echanism} (EA-RAM) を導入する。
我々は、EA-RAMがベイズ的インセンティブと互換性があり、Dual Errorの下で個々に合理的であることを証明し、中心的合理性のための十分な条件を確立し、明確な福祉損失境界を導出する。
反対符号誤りはキャンセルでき、例えば、ロジスティック(ロジスティック)は飽和によりクリアカットケースを安定化し、余剰ノイズは信頼マップを滑らかにし、限界操作による利得を減少させる。
シミュレーションと実世界のベンチマークの実験では、EA-RAMはデュアルエラーに対して堅牢であり、中央集権ベースラインよりもコストパフォーマンスの高いParetoフロンティアを実現している。
関連論文リスト
- Mitigating Anchoring Bias in LLM-Based Agents for Energy-Efficient 6G Autonomous Networks [3.2715455153948256]
本稿では,Large Language Model (LLM) エージェントを用いた6Gアーキテクチャにおけるゼロタッチネットワークスライシングを実現するための,自律型エージェントリソースネゴシエーションフレームワークを提案する。
このようなエージェントは本質的にバイアスのアンカーに悩まされ、初期提案に固執し、ネットワークオーバープロビジョンを引き起こしていることを示す。
当社の認知的脱バイアスは、厳格な交渉パターンを分解し、エージェントにSLA境界を安全に乗り越え、システムの省エネを最大25%向上させるアクティブな探索を強制します。
論文 参考訳（メタデータ） (2026-06-05T08:29:03Z) - RouteLMT: Learned Sample Routing for Hybrid LLM Translation Deployment [57.588738943463646]
大規模言語モデル(LLM)は機械翻訳(MT)において顕著な性能を発揮した
大規模に展開するのは 違法に高価です
モデル内ルータである textbfRouteLMT を提案する。
論文 参考訳（メタデータ） (2026-04-24T13:02:45Z) - Missing-Aware Multimodal Fusion for Unified Microservice Incident Management [22.703696384749595]
ARMORは、モダリティの欠如を前提とした、自己管理型のフレームワークである。
自己監督型自己回帰とマスク誘導型再構成を用いて、異常検出、障害トリアージ、根本原因の局在を共同で最適化する。
完全なデータ条件下での最先端性能を実現し、厳密なモダリティ損失でも堅牢な診断精度を維持する。
論文 参考訳（メタデータ） (2026-03-26T15:14:57Z) - Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions [89.52532304099522]
フェデレートラーニング(FL)は、クライアントが生データを集中せずに共有モデルを共同でトレーニングすることを可能にし、固有のプライバシーレベルを提供する。
グラデーションとモデル更新は機密情報を漏洩する可能性があるが、悪意のあるサーバはビザンティン操作のような敵攻撃をマウントする可能性がある。
これらの脆弱性は、統合されたフレームワーク内の差分プライバシー(DP)とビザンチンの堅牢性に対処する必要性を強調している。
Byz-Clip21-SGD2Mを提案する。
論文 参考訳（メタデータ） (2026-03-24T17:39:09Z) - 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) - CDRRM: Contrast-Driven Rubric Generation for Reliable and Interpretable Reward Modeling [61.75914342638658]
CDRRM(Contrast-Driven Reward Model)は、高品質なルーリック生成と優先判断のためのフレームワークである。
この作業は、報酬モデリングのためのスケーラブルで解釈可能で、データ効率のよいパスを提供する。
論文 参考訳（メタデータ） (2026-03-09T07:15:23Z) - Mitigating Reward Hacking in RLHF via Bayesian Non-negative Reward Modeling [49.41422138354821]
非負の因子分析をBradley-Terry選好モデルに統合する原理的報酬モデリングフレームワークを提案する。
BNRMは、スパースで非負の潜在因子生成過程を通じて報酬を表す。
BNRMは報酬の過度な最適化を著しく軽減し、分布シフトによるロバスト性を改善し、強いベースラインよりも解釈可能な報酬分解をもたらすことを示す。
論文 参考訳（メタデータ） (2026-02-11T08:14:11Z) - A Comprehensive Evaluation of LLM Reasoning: From Single-Model to Multi-Agent Paradigms [20.241519889633285]
大規模言語モデル(LLM)は、推論パラダイムが重要な役割を果たす推論システムとして、ますます多くデプロイされている。
我々は、直接単モデル生成、CoT拡張単モデル推論、代表MASなど、推論パラダイムを包括的かつ統一的に評価する。
MIMeBenchは、2つの基本的な未探索セマンティック機能をターゲットにした新しいオープンエンドベンチマークである。
論文 参考訳（メタデータ） (2026-01-19T17:23:45Z) - SCoTER: Structured Chain-of-Thought Transfer for Enhanced Recommendation [24.019381388104236]
本稿では,パターン発見と構造認識伝達を協調最適化問題として扱う統合フレームワークであるSCoTERを提案する。
具体的には、SCoTERは、自動パターン検出のためのGVMパイプラインと、ステップワイズロジックを効率的なモデルに転送する構造保存統合アーキテクチャという、2つの相乗的コンポーネントを通じてこれを運用する。
論文 参考訳（メタデータ） (2025-11-24T03:00:04Z) - Distributionally Robust Optimization with Adversarial Data Contamination [49.89480853499918]
凸リプシッツ損失関数を持つ一般化線形モデルに対するワッサーシュタイン-1 DRO 目標の最適化に焦点をあてる。
私たちの主な貢献は、データ汚染のトレーニングに対するロバストネスと分散シフトに対するロバストネスを統合した、新しいモデリングフレームワークです。
この研究は、データ汚染と分散シフトという2つの課題の下で学習するために、効率的な計算によって支援される最初の厳密な保証を確立する。
論文 参考訳（メタデータ） (2025-07-14T18:34:10Z) - Online Learning under Budget and ROI Constraints via Weak Adaptivity [57.097119428915796]
制約付きオンライン学習問題に対する既存の原始双対アルゴリズムは、2つの基本的な仮定に依存している。
このような仮定は、標準の原始双対テンプレートを弱適応的後悔最小化器で与えることによって、どのように回避できるのかを示す。
上記の2つの前提が満たされていない場合に保証される、世界の最高の保証を証明します。
論文 参考訳（メタデータ） (2023-02-02T16:30:33Z)
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。