論文の概要: Stochastic Semantic Evidence Graphs: Uncertainty Propagation and Governance for Agentic AI
- arxiv url: http://arxiv.org/abs/2609.29703v1
- Date: Thu, 03 Sep 2026 22:16:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:56.113752
- Title: Stochastic Semantic Evidence Graphs: Uncertainty Propagation and Governance for Agentic AI
- Title（参考訳）: 確率的セマンティックエビデンスグラフ:エージェントAIの不確実性伝播とガバナンス
- Abstract要約: 本稿では,言語ノードが自己回帰トークンサブグラフに拡張する階層型DAGを提案する。
出所証明のために、このグラフは不確実なクレーム-パス関係を保持し、鋭いフレシェ境界を伝播する。
コントロールされた実験では、5000のケースで認証違反は発生せず、クロスRAGとライブブレーブ-検索実験は、検索、プレゼンテーション、ソース、インタラクション効果を分離する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI-agent evaluations usually inspect a final answer, yet error may enter through evidence, retrieval, prompting, generation or decision mapping. We introduce a stochastic semantic evidence graph (SSEG), a hierarchical stochastic DAG whose language node expands into an autoregressive token subgraph and whose observable output may be a law over complete phrases. Semantic reduction and calibration are optional. We define graph-relative local defects and downstream edge influences, derive a pathwise bound on terminal error and use its nodewise terms to diagnose governance triggers. For source provenance, the graph preserves uncertain claim--passage relations and propagates sharp Fréchet bounds rather than assuming independence across sources. Across three open-weight architectures, information-equivalent changes materially alter complete-phrase laws. A controlled experiment yields no certificate violations in 5,000 cases; crossed-RAG and live Brave-retrieval experiments separate retrieval, presentation, source and interaction effects. SSEG therefore turns workflow provenance into a quantitative account of where uncertainty entered, how it propagated and whether an output is qualified for use.
- Abstract（参考訳）: AIエージェントの評価は通常、最終回答を検査するが、エラーは証拠、検索、プロンプト、生成、決定のマッピングを通じて入力される。
本稿では,言語ノードが自己回帰トークンのサブグラフに拡張され,可観測出力が完全句の法則となる階層的確率的DAGである,確率的意味的エビデンスグラフ(SSEG)を紹介する。
セマンティックリダクションとキャリブレーションはオプションである。
グラフ相対的な局所的な欠陥と下流のエッジの影響を定義し、終端誤差にパスワイドなバウンドを導出し、そのノードワイドな用語を使ってガバナンスのトリガを診断する。
情報源の証明のために、このグラフは不確実なクレーム-パスの関係を保ち、ソース間の独立を仮定するのではなく、鋭いフレシェ境界を伝播する。
3つのオープンウェイトアーキテクチャ全体において、情報等価な変更は、完全なフレーズ法則を根本的に変更する。
コントロールされた実験では、5000のケースで認証違反は発生せず、クロスRAGとライブブレーブ-検索実験は、検索、プレゼンテーション、ソース、インタラクション効果を分離する。
したがって、SSEGはワークフローの成果を、不確実性がどこに入ったか、どのように伝播し、出力が使用されるかどうかの定量的な説明に変換する。
関連論文リスト
- When AI Generates Covariates: Causal Typing and Estimand Drift in Sequential Experiments [0.0]
シーケンシャルな実験のために因果型の規律を定式化する。
圧縮バイアスの条件共分散特性を設計関連状態に対する生成表現の置換に適用する。
改良が設計関連情報を保持する上で有効であることを示し、一方、設計消去、漏洩、同一データマーカーの選択はバイアスや隠蔽をもたらす可能性があることを示す。
論文 参考訳（メタデータ） (2026-09-15T19:24:40Z) - Walking on the DARKSIDE [2.0052993723676895]
本稿では,POLANYI++上でのコヒーレンス監査手法であるDARKSIDEを紹介する。
コースは、談話時間を超えて蓄積された排他物の明示的なデータ構造として定式化される。
我々は、ソフトウェアエンジニアリング、金融、医療、物理学、法律にまたがる高度なナンセンスのコーパスであるBSBench上のGemini 3上でのステアリング層として、Sonnet 4.6を独立裁判官として評価した。
論文 参考訳（メタデータ） (2026-08-24T15:17:58Z) - VeriGraph: Towards Verifiable Data-Analytic Agents [71.17693022916896]
LLMをベースとしたエージェントは、データ集約分析タスクにおいて強力な能力を示してきたが、その出力は滅多に検証されていない。
We propose VeriGraph, a traceable neuro-symbolic reasoning framework that agent can construct an explicit heterogeneous evidence directed acyclic graph。
以上の結果から,明示的なエビデンスグラフ構築がデータ分析エージェントの検証に期待できる道のりであることが示唆された。
論文 参考訳（メタデータ） (2026-06-15T11:50:56Z) - Safe-Subspace Pseudo-Label Refinement for Source-Free Graph Domain Adaptation [41.958621280228634]
ソースフリーグラフドメイン適応(SF-GDA)は、ソースグラフがもはやアクセスできないときに、未ラベルのターゲットグラフにソース学習グラフモデルを適用することを目的としている。
本稿では,SF-GDAを選択的擬似ラベル法の観点から検討する。
本稿では,ターゲットグラフのみにハードな擬似ラベル監視を適用する,ソースフリーなグラフ適応フレームワークであるSafeSubspace Pseudo-Label Refinement (S$2$PLR)を提案する。
論文 参考訳（メタデータ） (2026-05-30T16:47:21Z) - Hypothesis Graph Refinement: Hypothesis-Driven Exploration with Cascade Error Correction for Embodied Navigation [9.519753129113651]
身体的エージェントは、信頼性のある長期記憶を維持しながら、部分的に観察された環境を探索する必要がある。
既存のグラフベースのナビゲーションシステムは、探索されていない領域を意味不明として扱い、非効率なフロンティア探索をもたらす。
本稿では,フロンティア予測を依存型グラフメモリにおける修正可能な仮説ノードとして表現するフレームワークである仮説グラフ再定義(HGR)を提案する。
論文 参考訳（メタデータ） (2026-04-05T13:02:18Z) - AEGIS: From Clues to Verdicts -- Graph-Guided Deep Vulnerability Reasoning via Dialectics and Meta-Auditing [9.271196825503417]
大きな言語モデル(LLM)は、脆弱性検出にますます採用されているが、その推論は基本的には正しくない。
AEGISは、未解決の投機から、クローズドな事実ベース上の法医学的検証へ、検出をシフトする新しいマルチエージェントフレームワークである。
これは、主要なベースラインと比較して偽陽性率を最大54.40%削減し、1サンプルあたりの平均コストはタスク固有のトレーニングなしで0.09ドルである。
論文 参考訳（メタデータ） (2026-03-21T04:12:04Z) - A Sample Efficient Conditional Independence Test in the Presence of Discretization [54.047334792855345]
離散化されたデータに直接条件付き独立テスト(CI)は、誤った結論につながる可能性がある。
最近の進歩は、観測データをバイナライズすることで、潜伏変数間の適切なCI関係を推測することを目指している。
そこで本研究では,バイナライゼーションプロセスに依存しないサンプル効率のCIテストを提案する。
論文 参考訳（メタデータ） (2025-06-10T12:41:26Z) - QuTE: decentralized multiple testing on sensor networks with false discovery rate control [93.1040521878626]
本稿では、偽発見率(FDR)の証明可能な保証を備えたグラフ上での分散多重仮説検定法を設計する。
異なるエージェントが無向グラフのノードに存在し、各エージェントはそのノードに局所的な1つ以上の仮説に対応するp値を持つ。
各エージェントは、グラフ全体の大域的FDRが予め定義されたレベルで制御されなければならないという共同目的のもと、隣人とのみ通信することで、それぞれのローカル仮説の1つ以上の拒絶を個別に決めなければならない。
論文 参考訳（メタデータ） (2022-10-09T19:48:39Z) - Causal Transportability for Visual Recognition [70.13627281087325]
画像とラベルの関連性は、設定間では転送できないため、標準分類器がフェールすることを示す。
次に、すべての共起源を摂食する因果効果が、ドメイン間で不変であることを示す。
これにより、画像分類における因果効果を推定するアルゴリズムを開発する動機付けとなる。
論文 参考訳（メタデータ） (2022-04-26T15:02:11Z) - Neuro-Symbolic Entropy Regularization [78.16196949641079]
構造化予測では、目的は構造化されたオブジェクトをエンコードする多くの出力変数を共同で予測することである。
エントロピー正則化(Entropy regularization)という1つのアプローチは、決定境界が低確率領域にあるべきであることを示唆している。
我々は、モデルが有効対象を確実に予測することを奨励する損失、ニューロシンボリックエントロピー正規化を提案する。
論文 参考訳（メタデータ） (2022-01-25T06:23:10Z)
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。