論文の概要: Measuring the Value of World-Model Updates: A Counterfactual Utility Protocol for Continual Adaptation
- arxiv url: http://arxiv.org/abs/2609.10954v1
- Date: Thu, 10 Sep 2026 01:22:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.174905
- Title: Measuring the Value of World-Model Updates: A Counterfactual Utility Protocol for Continual Adaptation
- Title（参考訳）: World-Model Updatesの価値を測る:継続的適応のための対実的ユーティリティプロトコル
- Abstract要約: 我々は、事前登録された決定ポイントのデプロイメントストリームを一致した更新に分岐し、共通乱数の下で継続を保持するフォーク台帳を導入する。
R = R_mathrmupdate - R_mathrmhold$。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Continual world models must decide whether new data justify changing the model. Fixed replay schedules and prediction-error triggers specify when to update, but neither reveals the value of an individual update: one deployment run cannot show how the same model would have performed at that moment had it held its parameters. We introduce the fork ledger, which branches a deployment stream at pre-registered decision points into matched update and hold continuations under common random numbers. It evaluates both continuations on the same episodes and records $ΔR = R_{\mathrm{update}} - R_{\mathrm{hold}}$. Always applying one fixed update mechanism lowers return on all three simulated control tasks: CartPole ($-144.0$; checkpoint-bootstrap $95\%$ CI $[-185.4,-116.1]$, against a converged return near $650$), Walker ($-82.8$; $[-101.1,-61.7]$) and Cheetah ($-18.6$; $[-29.0,-6.6]$). Divergence is an outcome of applying the update, so the estimand counts every attempted fork; restricted to the $693$ of $720$ that did not collapse, CartPole and Walker are unchanged in sign ($-113.4$ and $-82.1$) and Cheetah becomes unresolved ($-3.9$; $[-17.5,+13.0]$). The task is the unit of inference: each contributes $240$ attempted forks over five pretrained checkpoints crossed with two drift directions. The ledger makes counterfactual utility observable for a fixed mechanism, allowing triggers to be judged by the updates they select rather than by surprise detection alone.
- Abstract（参考訳）: 連続した世界モデルは、新しいデータがモデルの変更を正当化するかどうかを判断しなければならない。
修正されたリプレイスケジュールと予測エラートリガは、いつ更新するかを指定しているが、どちらも個々の更新の価値を明らかにしていない。
我々は、事前登録された決定ポイントのデプロイメントストリームを一致した更新に分岐し、共通乱数の下で継続を保持するフォーク台帳を導入する。
同じエピソードでの継続を評価し、$ΔR = R_{\mathrm{update}} - R_{\mathrm{hold}}$を記録する。
CartPole$-144.0$; checkpoint-bootstrap 9,5\%$ CI $[-185.4,-116.1]$, against a converged return near 6,50$), Walker$-82.8$; $[-101.1,-61.7]$) and Cheetah$-18.6$; $[-29.0,-6.6]$)。
分岐は更新を適用した結果であり、推定値がすべてのフォークを数え、崩壊しなかった$720$の693$に制限され、CartPoleとWalkerはサインが変更されず(113.4$と$-82.1$)、Cheetahは未解決(3.9$;$[-17.5,+13.0]$)となる。
このタスクは推論の単位であり、それぞれが2つのドリフト方向で交差する5つの事前訓練されたチェックポイントに対して240ドルのフォークを寄付する。
台帳は、固定されたメカニズムに対して反ファクトのユーティリティを観測可能とし、サプライズ検出のみによってではなく、選択した更新によってトリガーを判断できるようにする。
関連論文リスト
- ActionSplice: In-Flight Action Editing for Interactive World Models [4.400011068855375]
チャンク自動回帰ビデオワールドモデルは通常、1つのアクションで生成されたチャンクを条件付けする。
我々は、この問題をCST(Counterfactual State Transport)として定式化する推論フレームワークであるActionpliceを紹介する。
一時スプライシングの$mathrmCST*R$は、一時プレフィックスを保持し、接尾辞のみを更新する。
$mathrmCST*T$は、それぞれ接尾辞LPIPSを56.1%減らし、77.5%減らし、2.73times$と1.69times$の1.69timesを待ち前のスピードアップで提供する。
論文 参考訳（メタデータ） (2026-09-08T04:21:36Z) - Round-Trip Consistency: Bidirectional Diffusion Models Can Predict Their Own Rollout Errors [51.56484100374058]
自動回帰モデルは、長時間のロールアウトでエラーを蓄積しますが、デプロイ時には、それを測定するための基本的な真実はありません。
我々は、方向フラグを介して動的システムを前方または後方にステップする単一の条件付き潜在拡散モデルを訓練する。
この双方向性は測定不要なテスト時間誤差信号を提供することを示す。
論文 参考訳（メタデータ） (2026-08-01T13:49:46Z) - Safety, or Just Capability? A Validity Audit of Agent-Safety Benchmarks [10.839956062772792]
3つのエージェントセーフティベンチマークは同じ18モデルのランクが異なる。
AgentHarmの安全性に対するR-Judgeの特異性は、$-0.64$ at $n=7$と$+0.02$ at $n=18$と相関しており、ランダムサイズ7サブセットの4分の1は、そのほぼゼロの値の周りで$|| geq 0.5$に達する。
AgentHarmは、最強のホールトアウト・アソシエーションである$=+0.72$で、制御能力の後に3段階のジェイルブレイクの安全性を示す。
論文 参考訳（メタデータ） (2026-07-30T03:45:10Z) - Teach it to stop, not just to click [0.0]
修復された政策の成功率は上流の足場に支配されていることを示す。
通常のk-seedレポートのためのライブラリ(cua_reliability)をリリースする。
論文 参考訳（メタデータ） (2026-07-19T08:46:06Z) - A Fast Gaussian Mechanism under Continual Observation, with Applications [10.345196226375455]
更新時に$k$次元ベクトルをプライベートにリリースする問題について検討する。
我々は$A(1),dots,A(T)$の近似を、等級$textpolylog(T)$の付加雑音でリリースする。
本稿では,2つのデータ管理アプリケーションについて述べる。
論文 参考訳（メタデータ） (2026-06-10T07:36:58Z) - The Geometry of Forgetting: Temporal Knowledge Drift as an Independent Axis in LLM Representations [50.43168858368539]
大規模言語モデルは自信を持って時代遅れの回答を生成し、既存の方法では検出できない。
これは工学的な失敗ではなく構造的な失敗であり、時間的ドリフトは、幾何的に残留流の方向として、正確性と不確実性の両方に符号化される。
論文 参考訳（メタデータ） (2026-05-09T22:27:31Z) - Catch Your Breath: Adaptive Computation for Self-Paced Sequence Production [55.76222360698305]
我々は,言語モデルが入力トークン毎に使用する計算ステップの数を動的かつ自律的に拡張できるような,教師付きトレーニング目標のクラスを探索する。
任意のトークンに対して、モデルは don't know> 出力を出力することで、追加の計算ステップを要求できる。
CYBモデルでは精度が向上し,トークンレベルの複雑性とコンテキストに処理時間を適用することができる。
論文 参考訳（メタデータ） (2025-10-13T21:07:05Z) - From Continual Learning to SGD and Back: Better Rates for Continual Linear Models [50.11453013647086]
以前見られたタスクの損失を、$k$の繰り返しの後、忘れること、すなわち、分析する。
実現可能な最小二乗の設定において、新しい最上界を創出する。
我々は、タスクを繰り返しないランダム化だけで、十分に長いタスクシーケンスで破滅的な事態を防げることを初めて証明した。
論文 参考訳（メタデータ） (2025-04-06T18:39:45Z) - Variance-Dependent Regret Lower Bounds for Contextual Bandits [65.93854043353328]
これは従来の$tildeO(dsqrtK)$ regret bound to $tildeO(dsqrtsum_k=1Ksigma_k2)$で改善されている。
論文 参考訳（メタデータ） (2025-03-15T07:09:36Z) - Near-Optimal Regret Bounds for Multi-batch Reinforcement Learning [54.806166861456035]
本研究では,有限水平マルコフ決定過程(MDP)によってモデル化されたエピソディック強化学習(RL)問題をバッチ数に制約を加えて検討する。
我々は,$tildeO(sqrtSAH3Kln (1/delta))$tildeO(cdot)をほぼ最適に後悔するアルゴリズムを設計し,$(S,A,H,K)$の対数項を$K$で隠蔽する。
技術的貢献は2つある: 1) 探索のためのほぼ最適設計スキーム
論文 参考訳（メタデータ） (2022-10-15T09:22:22Z) - Sharper Convergence Guarantees for Asynchronous SGD for Distributed and
Federated Learning [77.22019100456595]
通信周波数の異なる分散計算作業者のトレーニングアルゴリズムを示す。
本研究では,より厳密な収束率を$mathcalO!!(sigma2-2_avg!)とする。
また,不均一性の項は,作業者の平均遅延によっても影響されることを示した。
論文 参考訳（メタデータ） (2022-06-16T17:10:57Z) - Minimal Expected Regret in Linear Quadratic Control [79.81807680370677]
オンライン学習アルゴリズムを考案し、その期待された後悔を保証します。
当時のこの後悔は、$A$と$B$が未知の場合、$widetildeO((d_u+d_x)sqrtd_xT)$によって上界(i)となる。
論文 参考訳（メタデータ） (2021-09-29T14:07:21Z)
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。