論文の概要: CPR-IE:A Compression-Prediction-Resource Intelligence Efficiency Metric
- arxiv url: http://arxiv.org/abs/2609.04809v1
- Date: Fri, 04 Sep 2026 07:06:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.943163
- Title: CPR-IE:A Compression-Prediction-Resource Intelligence Efficiency Metric
- Title（参考訳）: CPR-IE:圧縮・予測・ソースインテリジェンス効率指標
- Abstract要約: 我々は、表現経済、予測品質、リソースバーデンによるプロトコル相対的な順序付けを開発する。
CPR-IEは構成された効率表現であり、普遍法則や知性の定義ではない。
- 参考スコア（独自算出の注目度）: 0.685316573653194
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Comparing intelligent systems under deployment constraints requires more than predictiveaccuracy.This paper develops Compression-Prediction-Resource Intelligence Efficiency (CPR-IE) as a protocol-relative ordering by representational economy, predictive quality, and resourceburden. The analysis separates two questions-how raw resource consumption is represented, andhow the resulting attributes are aggregated. Proportional-increment composition uniquely yieldslogarithmic cumulative burden, and context-independent ratio response yields power responsesto compression, prediction, and burden; with reference normalization the representation is I(C,P,T).We prove Pareto consistency, unit invariance, boundary behavior, trade-off identities, ranking-stability regions, and cross-task aggregation. A translog parent model makes interaction restrictions explicit, and further results establish cardinal and ordinal identification, sub-Gaussianfinite-sample ranking guarantees, robust selection under exponent uncertainty, and deterministicregret bounds. Minimum description length, algorithmic complexity, proper scoring rules, varia-tional inference, and Landauer's principle motivate measurement choices but do not entail theformula. CPR-IE is a constructed efficiency representation, not a universal law or a definition ofintelligence itself.
- Abstract（参考訳）: 本稿では,表現経済,予測品質,資源バーデンによるプロトコル関連順序付けとして,CPR-IE(Compression-Prediction-Resource Intelligence Efficiency)を開発した。
分析では、生資源の消費がどのように表現され、その結果の属性がどのように集約されるかという2つの質問を分離する。
比例増分合成は、一意に対数累積負担を与え、文脈非依存比の応答は、圧縮、予測、重みに対する電力応答を生じさせ、参照正規化では、表現はI(C,P,T)となる。
パレート一貫性、単位不変性、境界挙動、トレードオフアイデンティティ、ランキング安定領域、およびクロスタスクアグリゲーションを証明します。
トランスログの親モデルは、相互作用の制限を明確にし、さらに、基数と順序の識別、準ガウス有限サンプルのランク保証、指数の不確実性の下での堅牢な選択、決定論的regret境界を確立する。
最小記述長、アルゴリズムの複雑さ、適切なスコアリングルール、バリア・オプショナル推論、ランダウアーの原理は測定の選択を動機付けるが、形式を含まない。
CPR-IEは構成された効率表現であり、普遍法則や知性の定義ではない。
関連論文リスト
- UniRank: Unified Rank Allocation for Low-Rank LLM Compression [9.742379971053806]
グローバルな低ランク割当をソート・アンド・トランケーションパイプラインとして定式化する。
高い入力出力コサイン類似度と低い有効ランクとの強い相関性を検証する。
本稿では,分解重みに対して直接LoRAチューニングを行うランク保存ファインチューニングを提案する。
論文 参考訳（メタデータ） (2026-06-20T03:10:33Z) - TRACE: A Unified Rollout Budget Allocation Framework for Efficient Agentic Reinforcement Learning [52.67756371231985]
検証可能な報酬を伴う強化学習(RLVR)は、大規模言語モデルにおける推論とエージェント的行動を強化するための有望なアプローチである。
本稿では,Tree Rollout Allocation for Contrastive Exploration (TRACE)について紹介する。
技術的には、TRACEはロールアウト予算をルートと中間プレフィックスの両方に割り当てている。
論文 参考訳（メタデータ） (2026-06-09T17:16:03Z) - A Unified Framework for Uncertainty-Aware Explainable Artificial Intelligence: A Case Study in Power Quality Disturbance Classification [17.224114053715528]
ポストホックな説明可能なAI(XAI)メソッドは一般的に決定論的属性マップを生成するが、ベイズニューラルネットワーク(BNN)は説明よりも分布を誘導する。
本稿では,任意のリプシッツ連続帰属演算子によるBNN後部のプッシュフォワード測度として,エンフラネーション分布を定式化する。
平均, ばらつき, 変動係数, 量子化係数, 集合理論の集約測度を用いて, 説明分布を要約する演算子の一般族である不確実性認識関連属性演算子 (UA-RAO) を提案する。
論文 参考訳（メタデータ） (2026-05-20T12:46:30Z) - Intervention Complexity as a Canonical Reward and a Measure of Intelligence [1.2183405753834562]
本研究では, 環境由来性, 普遍性, 最小性, 感度, 達成度という5つの自然特性を持つ介入複雑性という新しい尺度を提案する。
その結果、リソースバイアスによってインデックスされた正準報酬の族が得られる。
我々は超知能と訓練前のユニバーサルエージェントの意義について論じる。
論文 参考訳（メタデータ） (2026-05-04T03:07:47Z) - Efficient Thought Space Exploration through Strategic Intervention [54.35208611253168]
本稿では,この知見を2つの相乗的コンポーネントを通して操作するHint-Practice Reasoning(HPR)フレームワークを提案する。
フレームワークの中核となる革新は、動的に介入点を識別する分散不整合低減(DIR)である。
算術的および常識的推論ベンチマークによる実験は、HPRの最先端の効率-精度トレードオフを実証している。
論文 参考訳（メタデータ） (2025-11-13T07:26:01Z) - Nonparametric Bellman Mappings for Value Iteration in Distributed Reinforcement Learning [8.324857108715007]
本稿では,分散強化学習(DRL)における値反復(VI)のためのベルマン写像(B-Maps)を提案する。
各エージェントは、そのプライベートデータから非パラメトリックなBマップを構築し、再生されたカーネルヒルベルト空間で表されるQ関数を操作する。
詳細な性能解析により,提案するDRLフレームワークは集中ノードの性能を効果的に近似することを示した。
論文 参考訳（メタデータ） (2025-03-20T14:39:21Z) - LoRA-Ensemble: Efficient Uncertainty Modelling for Self-Attention Networks [52.46420522934253]
本稿では,自己注意ネットワークのためのパラメータ効率のよいアンサンブル手法であるLoRA-Ensembleを紹介する。
この方法は、BatchEnsembleのような最先端の暗黙のテクニックを上回るだけでなく、Explicit Ensembleの正確さにマッチするか超える。
論文 参考訳（メタデータ） (2024-05-23T11:10:32Z) - Query Performance Prediction using Relevance Judgments Generated by Large Language Models [53.97064615557883]
自動生成関連判定(QPP-GenRE)を用いた新しいクエリ性能予測(QPP)フレームワークを提案する。
QPP-GenREは、QPPを独立したサブタスクに分解し、ランクリスト内の各項目の関連性を所定のクエリに予測する。
我々は,オープンソースの大規模言語モデル (LLM) を用いて,科学的妥当性を確保することにより,項目の関連性を予測する。
論文 参考訳（メタデータ） (2024-04-01T09:33:05Z) - Compressed Regression over Adaptive Networks [58.79251288443156]
分散エージェントのネットワークによって達成可能な性能を導出し,通信制約や回帰問題を解消し,適応的に解決する。
エージェントによって最適化に必要なパラメータをオンラインで学習できる最適化アロケーション戦略を考案する。
論文 参考訳（メタデータ） (2023-04-07T13:41:08Z) - Implicit Distributional Reinforcement Learning [61.166030238490634]
2つのディープジェネレータネットワーク(DGN)上に構築された暗黙の分布型アクター批判(IDAC)
半単純アクター (SIA) は、フレキシブルなポリシー分布を利用する。
我々は,代表的OpenAI Gym環境において,IDACが最先端のアルゴリズムより優れていることを観察する。
論文 参考訳（メタデータ） (2020-07-13T02:52:18Z) - Supervised Learning for Non-Sequential Data: A Canonical Polyadic
Decomposition Approach [85.12934750565971]
特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。
この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。
表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
論文 参考訳（メタデータ） (2020-01-27T22:38:40Z)
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。