論文の概要: FrankenReport: Early Exiting in Long-Form Generation Using Expected Value of Computation

• arxiv url: http://arxiv.org/abs/2609.06320v1
• Date: Sun, 06 Sep 2026 00:43:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 06:06:35.877852
• Title: FrankenReport: Early Exiting in Long-Form Generation Using Expected Value of Computation
• Title（参考訳）: FrankenReport: 期待された計算値を用いた長期生成の早期終了
• Abstract要約: 我々はFrankenReportについて紹介する。FrankenReportは、長文の知識検索レポート生成のためのインタフェースで、各セクションの適応的な早期退避をサポートする。 シミュレーション研究において、FrankenReportは低予算下で大きなマージン(最大4倍)でランダムなアロケーションベースラインを上回っている。 FrankenReportはユーザやトピックによって様々な好みがあるにもかかわらず、シンプルで自然なユーザフィードバックを、よりコストのかかる管理を必要とする方法と同じくらい効率的に適応する。
• 参考スコア（独自算出の注目度）: 57.70956612390847
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While deep research systems address interactive information-seeking needs impressively, their real-world deployments face latency and resource-consumption challenges. We present FrankenReport, an interface for long-form knowledge-seeking report generation that supports adaptive early exiting per section: it evaluates intermediate outputs during generation and predicts whether further targeted computation will yield significant quality gains. In a simulation study, FrankenReport outperforms random allocation baselines by a large margin (up to 4x) under low budgets and smoothly recovers full-pipeline quality as the budget grows, showing that future quality gains are predictable from intermediate drafts. Through experiments and user studies, we further show that despite varying preferences across users and topics, FrankenReport adapts to simple, natural user feedback as efficiently as methods requiring much costlier supervision such as generated drafts and explicit rationales.
• Abstract（参考訳）: ディープリサーチシステムはインタラクティブな情報検索のニーズに驚くほど対処するが、現実のデプロイメントはレイテンシとリソース消費の課題に直面している。 提案するFrankenReportは,各セクションごとの適応的な早期退避を支援する長文の知識検索レポート生成のためのインタフェースで,生成中の中間出力を評価し,さらなる目標計算が品質向上をもたらすかどうかを予測する。 シミュレーションスタディにおいて、FrankenReportは、予算の低さの下で、ランダムな割り当てベースラインを最大4倍の大きなマージンで上回り、予算が増加するにつれて全パイプライン品質を円滑に回復させ、将来の品質向上が中間ドラフトから予測可能であることを示す。 実験やユーザスタディを通じて、ユーザやトピック間での好みの相違にもかかわらず、FrankenReportは、生成したドラフトや明確な合理性といったよりコストのかかる管理を必要とする方法と同じくらい、シンプルで自然なユーザフィードバックに適応することを示した。

関連論文リスト

• Unleashing the Potential of Large Language Models: A Blueprint for Real-Time, Enterprise-Ready Deployments [11.71713024399078]
  本稿では,リアルタイムデータ取り込み,連続学習,検索強化生成,ループ内フィードバックを統合した,統一型パターン駆動型LLMOpsアーキテクチャを提案する。 その結果、医療や金融といったリスクの高いセクターの監査性とロールバックをサポートしながら、レイテンシーコストのトレードオフを低減することができる。
  論文  参考訳（メタデータ） (2026-08-01T03:40:22Z)
• Tabular Foundation Models for Discrete Choice Estimation [8.167439804974467]
  Tabular foundation model (TFMs) は、タスク固有の推定をすることなく、コンテキスト内学習を通じて構造化データの予測を生成する。 マーケティング・オペレーションにおける中心的需要推定フレームワークである, 個別選択に対して, TFMを効果的に適用できるかどうかを問う。 行ベースの学習フレームワークにおいて,選択集合依存と個々の不均一性の両方を符号化する再構成を提案する。
  論文  参考訳（メタデータ） (2026-07-14T22:34:00Z)
• 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)
• Data-dependent Exploration for Online Reinforcement Learning from Human Feedback [50.34161049551627]
  人的フィードバックからのオンライン強化学習(RLHF)は、トレーニング中に新たな嗜好フィードバックを継続的に収集することにより、大規模言語モデル(LLM)を整合させるための有望なパラダイムとして登場した。 既存の調査戦略は、しばしば政治上の期待を通じてボーナスを導き出すが、これは訓練中に利用できる限られた歴史的嗜好データから確実に見積もることが難しい。 高不確実性領域に対する余分な不確実性ボーナスを構築するために、履歴データを活用するシンプルでスケーラブルなデータ依存型選好最適化法(DEPO)を提案する。
  論文  参考訳（メタデータ） (2026-05-06T03:56:45Z)
• LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
  大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。 CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
  論文  参考訳（メタデータ） (2026-05-02T11:31:33Z)
• Efficient Dataset Selection for Continual Adaptation of Generative Recommenders [19.8068072624233]
  本研究では,時間分布のドリフトによる性能劣化を緩和する手法を提案する。 ユーザインタラクションデータの小さいが情報に富むサブセットをキュレートするための表現選択とサンプリング戦略について検討する。
  論文  参考訳（メタデータ） (2026-04-09T02:48:52Z)
• Learning User Interests via Reasoning and Distillation for Cross-Domain News Recommendation [7.070021001906444]
  ニュースレコメンデーションは、ユーザーが関連コンテンツを発見するのを助けることで、オンラインニュースプラットフォームにおいて重要な役割を果たす。 ドメイン間のニュースレコメンデーションはさらに、不均一な信号からユーザの基本的な情報要求を推測する必要がある。 本稿では,大規模言語モデルを学習し,興味を駆使したニュース検索クエリの高品質なリストを生成するための強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-16T18:45:40Z)
• SMA: Who Said That? Auditing Membership Leakage in Semi-Black-box RAG Controlling [50.66950115630554]
  Retrieval-Augmented Generation(RAG)とそのMultimodal Retrieval-Augmented Generation(MRAG)は、大規模言語モデル(LLM)の知識カバレッジと文脈理解を著しく向上させる。 しかし、検索とマルチモーダル融合によるコンテンツの曖昧さは、既存のメンバーシップ推論手法を事前学習、外部検索、ユーザ入力に確実に属性付けできないようにし、プライバシー漏洩の説明責任を損なう。 本稿では,検索制御機能を備えた半ブラックボックス設定において,生成したコンテンツの微粒なソース属性を実現するための,SMA (Source-aware Membership Audit) を提案する。
  論文  参考訳（メタデータ） (2025-08-12T17:32:24Z)
• Temporal Window Smoothing of Exogenous Variables for Improved Time Series Prediction [6.300598034097709]
  グローバル統計に基づくデータ内に持続する冗長性を抑えるために,内因性入力を白くする手法を提案する。 提案手法は、4つのベンチマークデータセットで最先端のパフォーマンスを達成し、11のベースラインモデルより一貫して優れています。
  論文  参考訳（メタデータ） (2025-07-04T17:27:55Z)
• ZigZag: Universal Sampling-free Uncertainty Estimation Through Two-Step Inference [54.17205151960878]
  汎用的でデプロイが容易なサンプリング不要のアプローチを導入します。 我々は,最先端手法と同等の信頼性のある不確実性推定を,計算コストを著しく低減した形で生成する。
  論文  参考訳（メタデータ） (2022-11-21T13:23:09Z)

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。