論文の概要: Intelligence Under Time Constraints: Rethinking Test-Time Compute

• arxiv url: http://arxiv.org/abs/2609.14995v2
• Date: Tue, 15 Sep 2026 03:31:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.090698
• Title: Intelligence Under Time Constraints: Rethinking Test-Time Compute
• Title（参考訳）: 時間制約下でのインテリジェンス:テスト時間計算の再考
• Abstract要約: 時間制約下でのインテリジェンスには、計算の量を決定する必要があります。 我々は,この問題をストリーミングインタラクションにおいて研究し,証拠が漸進的に届き,修正される可能性がある。 我々は、エビデンス依存の計算ジョブを分析の単位として、いつ開始するか、その結果をサポートするものは何か、いつその結果がコミットされるのか、と考えている。
• 参考スコア（独自算出の注目度）: 6.857597530952977
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intelligence under time constraints requires deciding not only how much to compute, but when computation is worth starting. We study this problem in streaming interactions, where evidence arrives incrementally and may be revised. Early computation has more time to finish but rests on incomplete evidence; waiting improves information while shrinking computational slack. We call this the information-slack dilemma. We take the evidence-dependent computational job as the unit of analysis: when to start it, what supports its result, and when that result can be committed. Advance computation is valuable only insofar as its benefits survive the costs of verification, invalidation, and recovery. This applies to grounded incremental processing and reusable preparation as well as future-dependent speculation. We propose a research agenda on computation under evolving evidence, prioritizing selective recovery under controlled evidence revisions. Evaluation should separate earlier-execution effects, deployment value against a full-input alternative, and the added value of predictive policies, while accounting for shared-resource costs. The objective is not maximal advance computation, but more trustworthy, on-time responses within a declared resource envelope.
• Abstract（参考訳）: 時間制約下でのインテリジェンスには、計算する時間だけでなく、計算を開始する価値のある時間も決定する必要がある。 我々は,この問題をストリーミングインタラクションにおいて研究し,証拠が漸進的に届き,修正される可能性がある。 初期の計算には終了する時間がもっとあるが、不完全な証拠に頼っている。 これを情報不足ジレンマと呼ぶ。 我々は、エビデンス依存の計算ジョブを分析の単位として、いつ開始するか、その結果をサポートするものは何か、いつその結果がコミットされるのか、と考えている。 高度な計算は、その利点が検証、無効化、回復のコストに耐えられるため、内部でのみ有用である。 これは、基礎となる漸進的な処理と再利用可能な準備、および将来の依存的な憶測に適用される。 本稿では, 制御された証拠修正の下での選択的回復を優先して, 進化的証拠の下での計算に関する研究課題を提案する。 評価は、事前実行効果、フルインプットの代替に対するデプロイメント価値、予測ポリシの付加価値を分離し、共有リソースコストを考慮に入れなければならない。 目的は、最大先進計算ではなく、より信頼できる、宣言されたリソースエンベロープ内のオンタイム応答である。

関連論文リスト

• When does a scaling result justify a different allocation? A critical review of resource-allocation evidence for AI systems [0.0]
  このレビューでは、レポートされたスケーリング結果がリソース割り当て決定をサポートするかどうかを問う。 事前トレーニング、テスト時間計算、検索、エージェント評価のエビデンスを比較する。 普遍的なスケーリング法則を提案したり、ベンチマークゲインから一般的なインテリジェンスを推測したりしない。
  論文  参考訳（メタデータ） (2026-09-13T13:22:32Z)
• Compute-Bounded Security Assurance - Coverage, Verification, and Response under Resource Constraints [0.0]
  追加の推論計算は、正しく解決されたセキュリティ保証タスクの数を増やすことができる。 我々は、成功、ユニークなカバレッジ、承認された証拠、運用上の保護を分離するリソース制約のあるフレームワークを開発する。 概念的防御アーキテクチャは、証拠分析、判断、運用権限を分離する。
  論文  参考訳（メタデータ） (2026-09-07T13:07:55Z)
• FrankenReport: Early Exiting in Long-Form Generation Using Expected Value of Computation [57.70956612390847]
  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。
  論文  参考訳（メタデータ） (2026-09-06T00:43:52Z)
• AERA: Adaptive Evidence Residual Allocation for Efficient Test-Time Reasoning [22.964476507912327]
  テストタイムスケーリングは、追加の候補ソリューションを生成することによって言語モデル推論を改善するが、すべての問題に同じ推論予算を割り当てることは、計算的に無駄である。 チェックポイントレベルの正しさは非単調に進化し、解答が崩壊する前に観測可能な証拠が強化され、回復前に弱まる可能性があることを示す。 本稿では,チェックポイント・オブザーバブル・エビデンスから,さらなる計算がより良い解が得られるかどうかを学習するシーケンシャル・コントローラであるアダプティブ・エビデンス・レシデンス・アロケーション(AERA)を紹介する。
  論文  参考訳（メタデータ） (2026-08-28T06:21:07Z)
• Handover of In-Context Learning State Across Session Boundaries [5.457279006229211]
  我々は、タスク相対的なインコンテキスト学習状態の転送としてハンドオーバを定式化する。 均一性条件の下では、予測等価性は、最も粗い決定論的に十分なハンドオーバを特徴付ける。 決定と制約を正確に保存し、繰り返し証拠としてタスク正当統計を使い、元の観察を継続する三部記録を提案する。
  論文  参考訳（メタデータ） (2026-08-14T17:47:13Z)
• Search as Computation Allocation [52.080489413778]
  多くのアルゴリズムは、決定を返す前に内部リソースを使い、その端末出力の品質によってのみ評価される。 終端計算割当問題などの手順を定式化する。 ベルマン方程式は、固定予算の下での最適割り当て、価格計算、正確な認証を特徴付ける。
  論文  参考訳（メタデータ） (2026-07-30T08:45:14Z)
• FinAbstain: Uncertainty-Calibrated Multimodal RAG for Selective Financial Forecasting [8.891247829087936]
  FinAbstainは、不確実性を校正したマルチモーダル検索拡張生成のためのフレームワークである。 ポイント・イン・タイム・レトリバーは、予測タイムスタンプで公開された情報のみを認め、基本、ニュース、技術、リスク、検証エージェントにモダリティ固有の証拠を提供する。 コントローラは、不確実性が検証された閾値以下である場合にのみ、強気、弱気または中立的な結果を予測する。
  論文  参考訳（メタデータ） (2026-07-27T07:05:22Z)
• APR: Penalizing Structural Redundancy in Large Reasoning Models via Anchor-based Process Rewards [61.52322047892064]
  テスト時間スケーリング(TTS)は、Large Reasoning Models(LRM)の機能を大幅に強化した。 我々は, LRM が推論過程において最終回答を得た後も, 再検討なしに反復的自己検証を頻繁に行うことを観察した。 本稿では,Anchor-based Process Reward (APR)を提案する。
  論文  参考訳（メタデータ） (2026-01-31T14:53:20Z)
• Rerank Before You Reason: Analyzing Reranking Tradeoffs through Effective Token Cost in Deep Search Agents [50.212640395029744]
  深層探索パイプラインにおける推論予算の配分について検討する。 BrowseComp-Plusベンチマークを用いて、モデルスケール、推論の労力、深度の再検討、トークン総コストのトレードオフを分析する。
  論文  参考訳（メタデータ） (2026-01-20T18:38:35Z)
• Can We Predict Before Executing Machine Learning Agents? [74.39460101251792]
  データ中心のソリューション優先のタスクを形式化し、18,438対比較の包括的コーパスを構築する。 検証データ解析レポートを作成した場合, LLM は重要な予測能力を示すことを示す。 このフレームワークをForEAGENT(Predict-then-Verifyループを利用するエージェント)でインスタンス化し、実行ベースラインを+6%超えながらコンバージェンスを6倍高速化する。
  論文  参考訳（メタデータ） (2026-01-09T16:44:17Z)
• AI Agents as Universal Task Solvers [94.49762121230042]
  我々は,過去のデータを用いて,普遍的な解法が達成できる最適なスピードアップが,アルゴリズム情報と密接な関係があることを示す。 我々は、推論モデルをスケールする際に最適化する重要な量は時間であり、学習における重要な役割は、これまでは間接的にのみ考慮されてきたと論じている。
  論文  参考訳（メタデータ） (2025-10-14T02:17:54Z)
• Time After Time: Deep-Q Effect Estimation for Interventions on When and What to do [37.272310726714366]
  我々は、Earl Most Disagreement Q-Evaluation(EDQ)と呼ばれる、いつ、何をすべきかを推定する新しいディープQアルゴリズムを提案する。 生存時間と腫瘍成長タスクに関する実験を通じて,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-03-20T06:27:35Z)
• Predicting Probabilities of Error to Combine Quantization and Early Exiting: QuEE [68.6018458996143]
  本稿では,量子化と早期出口動的ネットワークを組み合わせたより一般的な動的ネットワークQuEEを提案する。 我々のアルゴリズムは、ソフトアーリーエグジットや入力依存圧縮の一形態と見なすことができる。 提案手法の重要な要素は、さらなる計算によって実現可能な潜在的な精度向上の正確な予測である。
  論文  参考訳（メタデータ） (2024-06-20T15:25:13Z)
• 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。