論文の概要: Same World, Different Knowledge: When Isolated Audits Misjudge World-Model Repairs

• arxiv url: http://arxiv.org/abs/2609.21155v1
• Date: Thu, 17 Sep 2026 23:51:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.797884
• Title: Same World, Different Knowledge: When Isolated Audits Misjudge World-Model Repairs
• Title（参考訳）: 同じ世界、異なる知識:分離されたオーディエンスが世界モデルの修復を誤る時
• Abstract要約: 分離された入力故障の下で好まれる修理は、デプロイされたモジュールが不良情報を共有した場合に劣る。 本稿では, 正確な入力が推定される不確実性ギャップと, 入力が欠落しているアベイラビリティギャップとを区別した, 世界モデルのための情報インターフェース監査を提案する。
• 参考スコア（独自算出の注目度）: 4.081610854729677
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A repair favored under an isolated input fault can be inferior when deployed modules share the faulty information. We introduce an information-interface audit for world models, distinguishing fidelity gaps, where exact inputs become estimates, from availability gaps, where inputs are missing. Fixed-weight interventions measure prediction error, input dependence, and paired closed-loop benefit, including dependencies introduced by reconstruction. In simulated quadrotor model predictive control, coupled, opposite-sign 10% mass/thrust calibration errors reduce a physics-anchored model's success from 69% to 8%; uncertainty training restores 65%. Wind reconstruction recovers control benefit but inherits calibration dependence. For a positive calibration offset, reconstruction-only corruption favors uncertainty-trained reconstruction, whereas shared corruption favors the baseline. Acceleration diagnostics reveal compensation between reconstruction bias and nominal-model error, also observed with a disturbance observer. Repair selection therefore depends on the information paths used in deployment.
• Abstract（参考訳）: 分離された入力故障の下で好まれる修理は、デプロイされたモジュールが不良情報を共有した場合に劣る。 本稿では, 正確な入力が推定される不確実性ギャップと, 入力が欠落しているアベイラビリティギャップとを区別した, 世界モデルのための情報インターフェース監査を提案する。 固定ウェイトな介入は、予測エラー、入力依存、および再構成によって導入された依存関係を含むペア化されたクローズドループの利点を測定する。 擬似四重項モデル予測制御では、逆符号の10%質量/スラスト校正誤差により、物理アンコールモデルの成功率が69%から8%に減少し、不確実性トレーニングは65%に回復する。 風の復元はコントロールの利点を回復するが、キャリブレーション依存を継承する。 正の校正オフセットでは、再構成のみの汚職は不確実性の訓練された復元を好むが、共有汚職はベースラインを好む。 加速度診断では、再構成バイアスと名目モデル誤差の補正が示され、外乱オブザーバでも観察される。 したがって、修復の選択は、デプロイメントで使用される情報パスに依存する。

関連論文リスト

• Cross-Fitted Residual Utility for Primary-Preserving Cognitive Decision Correction in Automatic Modulation Classification [1.547549252134621]
  本稿では,クロスフィット型残効ユーティリティとプライマリ保存型認知決定ポリシーを用いて,推論後の問題について検討する。 構造化されたkan-Fourier分類器はデフォルトの確率を提供し、ニューラルおよび非ニューラル候補は観測可能な証拠を提供する。 RMLA、RMLB、HISARでは、完全なシステムは全体の精度を63.632%から66.332%、65.161%から66.168%、77.769%から79.867%に改善している。
  論文  参考訳（メタデータ） (2026-08-03T11:07:37Z)
• SVR: Self-Verifying Refinement via Joint Verdict-Confidence Reinforcement Learning for Adaptive Test-Time Compute [62.3458279176813]
  自己検証リファインメント(Self-Verifying Refinement)は、オラクルフリーのマルチターン強化学習フレームワークである。 自己検証を計算制御ポリシとして使用することを学ぶ。 マクロ平均精度は0.563で、平均で2.99回しか推測できない。
  論文  参考訳（メタデータ） (2026-07-30T16:20:58Z)
• Safety-Aware Cascaded Inference for Crop Damage Assessment with Controlled Error Trade-offs [0.0]
  小作農の絵ベースの農業保険では、被害検出の欠落は誤報よりもかなり高いコストがかかる。 本稿では,2段階のカスケードアーキテクチャであるCascadeCropNetを提案する。 軽量のセンチネルモデルでは2値の健康トリアージを行い、キャリブレーションされた損傷確率閾値タウを超えるサンプルを専門家モデルにエスカレーションして詳細な診断を行う。
  論文  参考訳（メタデータ） (2026-07-28T09:01:27Z)
• The Knowing-Saying Gap: When Probes See Errors that Confidence Misses [20.46211358172975]
  線形プローブは、ほぼ完全精度で言語モデルの劣化コンテキストを検知するが、信頼性の高い故障予測にはならない。 マルチホップ算術連鎖全体において、汚職を検出するプローブは最終解の正しさについて非形式的であることが判明した。 リアルタイムモニタとして、プローブベースの介入は、シャープにモデル化され、エラータイプに依存します。
  論文  参考訳（メタデータ） (2026-07-21T12:13:10Z)
• Discovery of Hidden Miscalibration Regimes [52.452902154360565]
  モデルは何らかの入力を体系的に過信し、他人を過信することがある。 対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。 提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
  論文  参考訳（メタデータ） (2026-05-13T13:07:50Z)
• Lie Detector: Unified Backdoor Detection via Cross-Examination Framework [68.45399098884364]
  半正直な設定で一貫したバックドア検出フレームワークを提案する。 本手法は,SoTAベースラインよりも5.4%,1.6%,11.9%の精度で検出性能が向上する。 特に、マルチモーダルな大規模言語モデルにおいて、バックドアを効果的に検出するのは、これが初めてである。
  論文  参考訳（メタデータ） (2025-03-21T06:12:06Z)
• Beyond calibration: estimating the grouping loss of modern neural networks [68.8204255655161]
  適切なスコアリングルール理論は、キャリブレーション損失が与えられた場合、個々のエラーを特徴づける欠片がグループ化損失であることを示している。 視覚およびNLPにおける現代のニューラルネットワークアーキテクチャは、特に分散シフト設定においてグループ化損失を示す。
  論文  参考訳（メタデータ） (2022-10-28T07:04:20Z)

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。