論文の概要: Anchored Scenario Coverage for Failure-Aware First-Hit Batch Inverse Design
- arxiv url: http://arxiv.org/abs/2608.27873v1
- Date: Fri, 28 Aug 2026 03:27:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.192164
- Title: Anchored Scenario Coverage for Failure-Aware First-Hit Batch Inverse Design
- Title(参考訳): フェールアウェアファーストハイトバッチ逆設計のためのアンコールシナリオカバー
- Abstract要約: ARC-SCは、強い辺縁候補をアンカーとして保存し、残りのバッチ位置を割り当てるバッチ取得手法である。
超伝導とJARVIS材料特性ベンチマークの凍結軌道閉ループシミュレーションでは、ARC-SCはファーストヒット発見において統計的に支持された改善をもたらす。
これらの結果から、ARC-SCは、構造化された実験失敗下での早期に有効なターゲット発見を改善するための、POF対応のシナリオ対応バッチ戦略として確立された。
- 参考スコア(独自算出の注目度): 11.423847489036541
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Early discovery of at least one valid design satisfying a target requirement is a central objective in failure-prone closed-loop inverse design. A natural batch baseline ranks candidates by a product-form marginal valid-hit score, but selecting the highest-ranked candidates independently can produce redundant recommendations under predictive uncertainty and waste the experiment budget. We introduce ARC-SC(Anchored Risk-Constrained Scenario Coverage), a batch acquisition method that preserves strong marginal candidates as anchors and allocates the remaining batch positions by maximizing complementary coverage over predictive target scenarios under a risk-support constraint. In frozen-oracle closed-loop simulations on superconductivity and JARVIS materials-property benchmarks, ARC-SC yields a statistically supported improvement in first-hit discovery and remains competitive with directionally favorable first-hit performance on more challenging design space. These results establish ARC-SC as a POF-anchored, scenario-aware batch strategy for improving early valid-target discovery under structured experimental failure.
- Abstract(参考訳): 目標条件を満たす少なくとも1つの有効な設計の早期発見は、故障を起こしやすい閉ループ逆設計における中心的な目的である。
自然なバッチベースラインは、製品形式の限界有効ヒットスコアで候補をランク付けするが、最高レベルの候補を個別に選択することで、予測の不確実性の下で冗長なレコメンデーションを生成し、実験予算を浪費することができる。
ARC-SC(Anchored Risk-Constrained Scenario Coverage)は、リスク制約下での予測対象シナリオに対する補完的カバレッジを最大化することにより、強い限界候補をアンカーとして保存し、残りのバッチ位置を割り当てるバッチ取得手法である。
超伝導およびJARVIS材料プロパティベンチマークに関する凍結軌道閉ループシミュレーションにおいて、ARC-SCは、ファーストヒット発見において統計的に支持された改善をもたらし、より困難な設計空間において、方向性的に有利なファーストヒット性能と競合し続ける。
これらの結果から、ARC-SCは、構造化された実験失敗下での早期に有効なターゲット発見を改善するための、POF対応のシナリオ対応バッチ戦略として確立された。
関連論文リスト
- Hierarchical Multilevel Monte Carlo for Order-Optimal Neural Actor-Critic in Average-Reward CMDPs [46.80389197344682]
本研究では,最適性ギャップと$tildeO(T-1/2)$の制約違反を両立させるアルゴリズムを開発した。
これは、一般的な政策パラメータ化とニューラル批評家による無限水平平均逆CMDPに対する最初の順序最適収束保証を確立する。
論文 参考訳(メタデータ) (2026-07-30T15:46:22Z) - ProEval: Proactive Failure Discovery and Efficient Performance Estimation for Generative AI Evaluation [17.57025670370604]
ProEvalは、転送学習を利用して効率よくパフォーマンスを推定し、障害ケースを識別する、積極的な評価フレームワークである。
真理の1%以内の見積もりを達成するには8~65倍のサンプルが必要ですが、同時により多様な障害ケースを明らかにします。
論文 参考訳(メタデータ) (2026-04-25T01:33:57Z) - DARC: Disagreement-Aware Alignment via Risk-Constrained Decoding [59.16244104797919]
本稿では,リスク制約付き復号法(DARC)*による分散アライメント(Disagreement-Aware Alignment)を提案する。
DARCは応答選択を、分布的に堅牢で、リスクに敏感な意思決定として捉えている。
アライメントベンチマークの実験では、DARCは競合平均品質を維持しながら、不一致と尾のリスクを低減する。
論文 参考訳(メタデータ) (2026-03-09T09:21:29Z) - Observationally Informed Adaptive Causal Experimental Design [55.998153710215654]
本稿では,観測モデルを基礎的先行として活用する新たなパラダイムであるアクティブ残留学習を提案する。
このアプローチは、実験的な焦点を、目標因果量の学習から、観察バイアスの補正に必要な残差を効率的に推定するへとシフトさせる。
合成および半合成ベンチマークの実験は、R-Designがベースラインを大幅に上回ることを示した。
論文 参考訳(メタデータ) (2026-03-04T06:52:37Z) - Towards Anytime-Valid Statistical Watermarking [63.02116925616554]
我々は、任意の時間価推論で最適なサンプリングを統一する、最初のe-value-based watermarking frameworkであるAnchored E-Watermarkingを開発した。
本フレームワークはサンプル効率を大幅に向上させ,最先端のベースラインに対して,検出に必要な平均トークン予算を13~15%削減する。
論文 参考訳(メタデータ) (2026-02-19T18:32:26Z) - Towards Sample-Efficient and Stable Reinforcement Learning for LLM-based Recommendation [56.92367609590823]
Long Chain-of-Thought (Long CoT)推論は、Large Language Models (LLMs)において有望であることを示している。
我々はLong CoTが本質的にシーケンシャルなレコメンデーションドメインに不適合であると主張している。
提案するRISER(Reinforced Item Space Exploration framework for Recommendation)を提案する。
論文 参考訳(メタデータ) (2026-01-31T10:02:43Z) - 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) - PredictaBoard: Benchmarking LLM Score Predictability [50.47497036981544]
大きな言語モデル(LLM)は予測不能に失敗することが多い。
これは、安全なデプロイメントを保証する上で、大きな課題となる。
PredictaBoardは,新しいベンチマークフレームワークである。
論文 参考訳(メタデータ) (2025-02-20T10:52:38Z) - Evolutionary Optimization of High-Coverage Budgeted Classifiers [1.7767466724342065]
予算付き多機能分類器(MSC)プロセスは、部分的特徴取得および評価ステップのシーケンスを通じて入力される。
本稿では,不確定な予測のための端末拒否オプションを組み込んだ問題固有MSCを提案する。
アルゴリズムの設計は、一意化による集約性能の概念を尊重しながら効率を重視している。
論文 参考訳(メタデータ) (2021-10-25T16:03:07Z)
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。