Fugu-MT 論文翻訳(概要): Marginal Log-Likelihood Increments under Dirichlet-Smoothed Markov Estimation

論文の概要: Marginal Log-Likelihood Increments under Dirichlet-Smoothed Markov Estimation

arxiv url: http://arxiv.org/abs/2609.25675v1
Date: Tue, 22 Sep 2026 04:27:33 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-23 18:04:04.223117
Title: Marginal Log-Likelihood Increments under Dirichlet-Smoothed Markov Estimation
Title（参考訳）: Dirichlet-Smoothed Markov 法によるマルジナルログ様インクリメント
Abstract要約: 基準条件とモデルとの間には,Kulback-Leiblerの重み付き縮減法が導出される。 BPIチャレンジ2012のローン申請ログのケーススタディでは、3つすべてを測定し、基準重み付けと予算単位の4つの組み合わせのうちの1つで肯定的な選択結果が得られている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: For a Dirichlet-smoothed transition model, the effect of adding one workflow trace to the training archive is an exact change in reference-weighted log likelihood. We derive that change and show that it is a weighted reduction of Kullback--Leibler divergence between the reference conditionals and the model. From this form we obtain an upper bound on the gain available to any acquisition, which expresses a millinat difference as a share of what is attainable, an exact covariance identity for the effect of the reference weighting, and a sign criterion for the interaction between two candidates, from which the batch objective is neither submodular nor supermodular. A case study on the BPI Challenge 2012 loan-application log measures all three and finds a positive selection result in one of the four combinations of reference weighting and budget unit. There, of two regressors fitted to identical descriptors and identical labels, the one that predicts individual increments far more accurately, median $R^2$ 0.87 against 0.62, realizes the smaller share of the attainable gain, 61 against 69 per cent, so ranking accuracy for individual traces is neither necessary nor sufficient for batch quality.
Abstract（参考訳）: Dirichlet-smoothedトランジションモデルでは、トレーニングアーカイブに1つのワークフロートレースを追加することは、参照重み付きログの正確な変更である。この変化を導出して、Kulback--Leibler の参照条件とモデル間の重み付き縮減であることを示す。この形式から、達成可能なものの共有としてミリナット差を表現し、参照重み付けの効果の正確な共分散IDと、バッチ目的が部分モジュラーでも超モジュラーでもない2つの候補間の相互作用の符号基準を得る。 BPIチャレンジ2012のローン申請ログのケーススタディでは、3つすべてを測定し、基準重み付けと予算単位の4つの組み合わせのうちの1つで肯定的な選択結果が得られている。同一のディスクリプタと同一のラベルに装着された2つのレグレッタのうち、より正確に個々のインクリメントを予測するものは、0.62に対して中央値R^2$0.87ドルであり、達成可能なゲインのシェアが61対69パーセント小さいので、個々のトレースのランキング精度は必要ではなく、バッチ品質に十分ではない。

関連論文リスト

Symmetry-Aware Likelihood-Orbit Aggregation for Selective Left-Right Claim Verification [14.108900142001628]
クローズド形式のコントラストであるRelation-Orbitを導入する。 VSRとGQAの4つの凍結された視覚言語モデルでは、Relation-Orbitは10%選択リスクキャリブレーションターゲットで平均テストカバレッジを高くする。
論文参考訳（メタデータ） (2026-09-15T11:19:03Z)
Uncertainty-Aware Multi-Task Learning for Joint Modulation Recognition and SINR Estimation [0.0]
共同変調認識と信号対干渉+雑音比推定は、インテリジェント受信機における重複処理を減らすことができる。このレターでは、各短い正規化内位相/四分数ウィンドウを36個の決定論的・ラベルなし統計に変換する不確実性を考慮したマルチタスクモデルを提案する。共同不確実性スコアは、分類エントロピーと予測回帰分散を組み合わせた選択推論をサポートする。
論文参考訳（メタデータ） (2026-08-28T21:06:06Z)
Recursive Agentic Reasoning [4.7490116928645065]
反復精製、分解、繰り返しサンプリングといったテスト時間推論手法は、しばしば分離して評価される。エージェントの推論トレース上の再帰演算子として,これらの手法の統一ビューを導入する。同一のプロンプト、トークン予算、グレーディングコードを持つ共有ハーネスの下で、3つの演算子全てをシングルパスチェーン・オブ・ソートベースラインに対して評価する。
論文参考訳（メタデータ） (2026-08-25T01:34:08Z)
Simplex Relaxation for Discrete Diffusion [58.33696160279345]
Simplax(Simplax)はディリクレ(Dirichlet)のカテゴリー拡張で、それぞれが崩壊したカテゴリ状態と補助的単純度値変数を結合する。 Simplaxは生成パープレキシティーを改善する。-無条件のOpenWebText生成におけるエントロピートレードオフ。
論文参考訳（メタデータ） (2026-08-11T07:58:17Z)
Caliber: Cross-Architecture Extraction-Cost Control for Score-Returning APIs [27.21644231867863]
Caliberは、キャリブレーション問題としてノイズ選択を定式化するモデル抽出に対する防御である。知識蒸留に返却されたスコアを使用する攻撃者に対して、Caliberは独立して同一に分散したガウスノイズを内部ロジットに追加する。 Caliberは、正方形中央2対数辺による雑音分散を正規化し、その結果の雑音効用関係をロジスティック曲線に適合させる。
論文参考訳（メタデータ） (2026-08-02T05:58:00Z)
Right Makes Might: Aligning Verified Hidden States Empowers RL Reasoning [55.264863369127774]
現在の方法では、それぞれの正しいロールアウトを単一の報酬ビットに減らし、隠れた状態間で共有される幾何学的構造を無視している。本稿では,RLトレーニングにおけるアンカートークンにおける正ロールアウトの最終層を,トレーニングと推論の両方においてゼロオーバーヘッドで整列する補助損失関数Hidden-Alignを提案する。 8つの数学的推論ベンチマークでは、Hidden-AlignはDAPOベースラインの平均パス@1をQwen3-1.7B, 4B, 14Bで3.8, 6.2, 5.4ポイント改善し、3つのスケールで一貫したパス@kゲインを得る。
論文参考訳（メタデータ） (2026-06-02T06:51:15Z)
Off-the-Shelf LLMs as Process Scorers: Training-Free Alternative to PRMs for Mathematical Reasoning [51.88950852117154]
Chunk-Level Guided Generationは、既製の大規模言語モデルをプロセススコアラとして使用する、トレーニング不要の代替手段である。本研究では,系統的な長さバイアスのため,大モデル確率の可変長推論ステップが信頼できないことを示す。 Chunk-Level Guided Generation は PRM guided search よりもかなり短い推論トレースを生成する。
論文参考訳（メタデータ） (2026-06-01T04:43:36Z)
BiAxisAudit: A Novel Framework to Evaluate LLM Bias Across Prompt Sensitivity and Response-Layer Divergence [22.315546054051143]
大規模言語モデルのバイアス監査は、EU AI Actなどのガバナンスフレームワーク内で運用されている。このプロトコルでは、各バイアススコアを2つの軸上での信頼性推定とともに報告する。
論文参考訳（メタデータ） (2026-05-09T16:26:49Z)
Almost Asymptotically Optimal Active Clustering Through Pairwise Observations [59.20614082241528]
そこで本研究では, ノイズと能動的に収集された応答を用いて, M$アイテムを未知数の$K$個別グループにクラスタリングするための新しい分析フレームワークを提案する。クラスタリングの精度に対する望ましい信頼性を達成するのに必要なクエリ数の基本的下位境界を確立する。我々は、一般化された同値比統計の計算可能な変種を開発し、その下限に対する性能ギャップを正確に推定できることを実証的に示す。
論文参考訳（メタデータ） (2026-02-05T14:16:47Z)
A Connection Between Learning to Reject and Bhattacharyya Divergences [57.942664964198286]
インプットとラベルの両面で共同理想分布を学習することを検討する。我々は、拒絶と統計的相違の閾値付けを関連づける。一般に、バタチャリアの発散による拒絶は、Chowのルールよりも攻撃的でないことが分かる。
論文参考訳（メタデータ） (2025-05-08T14:18:42Z)
Confidence-Based Model Selection: When to Take Shortcuts for Subpopulation Shifts [119.22672589020394]
モデル信頼度がモデル選択を効果的に導くことができるConfidence-based Model Selection (CosMoS)を提案する。我々はCosMoSを,データ分散シフトのレベルが異なる複数のテストセットを持つ4つのデータセットで評価した。
論文参考訳（メタデータ） (2023-06-19T18:48:15Z)

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。