論文の概要: Coverage, Not Credit: Failure-Credit Routing of Zeroth-Order Perturbation Budgets Does Not Improve On-Pool Sample Efficiency for LLM Agents
- arxiv url: http://arxiv.org/abs/2608.28011v1
- Date: Fri, 28 Aug 2026 07:27:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.244674
- Title: Coverage, Not Credit: Failure-Credit Routing of Zeroth-Order Perturbation Budgets Does Not Improve On-Pool Sample Efficiency for LLM Agents
- Title（参考訳）: ゼロ次摂動予算の失敗クレディットルーティングはLCM剤のオンプール試料効率を改善しない
- Abstract要約: 軌道レベルのクレジット割り当ては、検証可能な信号のみを使用して、どのモジュールが障害を引き起こすかをローカライズすることができる。
フェールクレジットは、固定されたゼロオーダー/進化ストラテジー(ZO/ES)の摂動予算をルートすべきかどうかを問う。
合成環境と凍結したQwen2.5-1.5B/3BおよびSmolLM2-1.7Bのエージェントの至る所で、オンプール比較において均一配置よりも統計的に検出可能な改善は見つからない。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trajectory-level credit assignment can localize which module of a tool-using LLM agent causes failures using only verifiable signals. We ask whether such failure credit should route a fixed zeroth-order/evolution-strategies (ZO/ES) perturbation budget. Across a synthetic environment and frozen Qwen2.5-1.5B/3B and SmolLM2-1.7B agents, three task families, six allocation schemes, a credit-noise sweep, paired seeds, and exact sign-flip tests, we find no statistically detectable improvement over uniform allocation in any on-pool comparison (no gain of at least 2 percentage points). The joint soft-plus-sigma scheme is equivalent to uniform within a +/- 0.02 AUC margin on 1.5B and 3B; concentrating the full budget on the credit argmax is marginally equivalent on 1.5B, where that module is the verified bottleneck, and significantly worse on 3B. Inverse-propensity debiasing does not rescue routing, and misrouting costs up to -0.074 AUC in-house and -0.118 end-to-end on the BFCL-derived family. Across six fixed-step schedules, loss is linear in bottleneck starvation rate (R^2 = 0.94, descriptive), and a preregistered credit-free coverage floor removes detected harm. Matched-budget burst and step-compensating catch-up schedules are consistent with harm arising from insufficient cumulative parameter movement rather than update frequency. Our primary estimand is optimization efficiency on a fixed task pool. On unseen BFCL functions, the study's one exception is that soft routing exceeds uniform on held-out endpoints (+0.047, p = 0.031, n = 6). A plausible but untested reading is that routing-favored caller improvements transfer while uniform's on-pool gains reflect a synthesizer behavior specific to our harness. We report this exception explicitly and document three failure modes that can silently invalidate ZO/ES experiments on frozen LLMs.
- Abstract（参考訳）: 軌道レベルのクレジット割り当ては、ツールを使用するLLMエージェントのどのモジュールが検証可能な信号のみを使用して障害を引き起こすかをローカライズすることができる。
このような障害債権は、固定されたゼロオーダー/進化ストラテジー(ZO/ES)摂動予算を導出すべきかどうかを問う。
合成環境と凍結したQwen2.5-1.5B/3Bエージェント,SmolLM2-1.7Bエージェント,3つのタスクファミリー,6つのアロケーションスキーム,クレジットノイズスイープ,ペアシード,および正確なシグネチャフリップテストにおいて,オンプール比較において均一アロケーションよりも統計的に改善することができない(少なくとも2ポイントのゲイン)。
ジョイント・プラス・シグマ・スキームは、1.5Bと3BのAUCマージン+//-0.02の範囲内で均一であり、クレジット・アルグマックスのフル予算に集中することは1.5Bでは極端に等価である。
逆正当性脱バイアスはルーティングを救えず、BFCL由来の家族では-0.074 AUCと-0.118のエンド・ツー・エンドのコストがかかる。
6つの固定ステップのスケジュールにまたがって、ボトルネック飢餓率(R^2 = 0.94, descriptive)において損失は線形であり、事前登録されたクレジットフリーカバーフロアは検出された損害を除去する。
一致した予算のバーストとステップ補償されたキャッチアップスケジュールは、更新頻度よりも累積パラメータの動きが不十分なことから生じる害と一致している。
我々の第一の見積は、固定タスクプールにおける最適化効率である。
未知のBFCL関数について、研究の1つの例外は、ソフトルーティングがホールドアウトエンドポイント(+0.047, p = 0.031, n = 6)上で一様を超えることである。
可視だが証明されていない読みは、ルーティングに好意的な発信者が転送を改善する一方で、ユニフォームのオンプールゲインは、我々のハーネスに特有のシンセサイザーの振る舞いを反映しているということである。
この例外を明示的に報告し、凍結LDM上でZO/ES実験を無音で無効化できる3つの障害モードを文書化する。
関連論文リスト
- Accurate Ensembles, Fragile Narratives: Multi-Scale Stacking and a Fidelity Audit of LLM-Generated Explanations for Credit Risk [0.0]
クレジットスコアリングは、決定ロジックをパラメータから読み取ることができないモデルに依存している。
共通する提案は、言語モデルとのギャップを埋める: 特徴属性を計算し、それらを LLM に渡し、合理的に記述させる。
このようなシステムをエンド・ツー・エンドに構築し、約束の後半が成立するかどうかをテストします。
論文 参考訳（メタデータ） (2026-08-08T13:22:14Z) - ZEBRA: Zero-shot Budgeted Resource Allocation for LLM Orchestration [8.226365534099399]
連続非線形クナップサック問題に対する多相予算割当を低減するフレームワークであるZEBRAを提案する。
150ドルのAPPS符号化ベンチマークでは、ZEBRAの2つの変種は全ての集計基準においてLLM-directよりも優れていた。
我々は,自律型マルチエージェントシステムの経済行動を改善するために,推論時の軽量なアルゴリズムガイダンスを提案する。
論文 参考訳（メタデータ） (2026-05-19T20:50:05Z) - Unsolvability Ceiling in Multi-LLM Routing: An Empirical Study of Evaluation Artifacts [0.07812854697536452]
6つのベンチマークで206,000のクエリモデルペアを持つマルチ層LSMルーティングについて大規模に検討する。
報告された未解決性のかなりの部分は, 評価成果物に起因していることが示されている。
論文 参考訳（メタデータ） (2026-05-08T07:49:24Z) - LLM Readiness Harness: Evaluation, Observability, and CI Gates for LLM/RAG Applications [51.56484100374058]
評価をデプロイメント決定ワークフローに変換するLLMおよびRAGアプリケーションのための準備性ハーネスを提案する。
このシステムは、最小限のAPI契約の下で、自動ベンチマーク、OpenTelemetryオブザーバビリティ、CI品質ゲートを組み合わせる。
チケットルーティングとBEIRタスクのハーネスを、完全なAzureマトリックスカバレッジで評価する。
論文 参考訳（メタデータ） (2026-03-28T18:03:32Z) - MOSAIC: Multi-Objective Slice-Aware Iterative Curation for Alignment [1.356919241968803]
3つの目標を一度にバランスを取らなければならない場合に、固定された微調整予算を割り当てる方法について検討する。
統一L1-L3評価インタフェース上に構築された閉ループデータ混合探索のための多目的フレームワークMOSAICを提案する。
論文 参考訳（メタデータ） (2026-03-19T09:00:47Z) - Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。
累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。
主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
論文 参考訳（メタデータ） (2026-02-10T21:08:53Z) - Trajectory Guard -- A Lightweight, Sequence-Aware Model for Real-Time Anomaly Detection in Agentic AI [0.0]
トラジェクトリガードはシームズ・リカレント・オートエンコーダであり、コントラスト学習によるタスク・トラジェクトリアライメントと、再構成によるシーケンシャル・アライメントを共同で学習するハイブリッド・ロス機能を備えている。
32ミリ秒のレイテンシで、当社のアプローチは LLM Judge のベースラインよりも17-27倍高速で動作し、実運用環境におけるリアルタイムの安全性検証を可能にします。
論文 参考訳（メタデータ） (2026-01-02T00:27:11Z) - CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。
エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。
CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
論文 参考訳（メタデータ） (2025-12-22T16:34:21Z) - On GRPO Collapse in Search-R1: The Lazy Likelihood-Displacement Death Spiral [59.14787085809595]
この障害を引き起こす中核的なメカニズムとしてLazy Likelihood Displacement(LLD)を同定する。
LDDは早期に出現し、自己強化性LDDデススパイラル(LDD Death Spiral)を引き起こす。
本稿では,GRPO のための軽量な確率保存正則化 LLDS を提案する。
論文 参考訳（メタデータ） (2025-12-03T19:41:15Z) - Doubly Robust Distributionally Robust Off-Policy Evaluation and Learning [59.02006924867438]
オフ政治評価と学習(OPE/L)は、オフラインの観察データを使用してより良い意思決定を行う。
近年の研究では、分散ロバストなOPE/L (DROPE/L) が提案されているが、この提案は逆正則重み付けに依存している。
KL分散不確実性集合を用いたDROPE/Lの最初のDRアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-02-19T20:00:44Z) - Label Distributionally Robust Losses for Multi-class Classification:
Consistency, Robustness and Adaptivity [55.29408396918968]
多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。
我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。
本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
論文 参考訳（メタデータ） (2021-12-30T00:27:30Z)
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。