論文の概要: Causal Retention in Interactive Agents: Interface Factorization and Selective Adaptation

• arxiv url: http://arxiv.org/abs/2609.30650v1
• Date: Fri, 25 Sep 2026 00:40:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.161986
• Title: Causal Retention in Interactive Agents: Interface Factorization and Selective Adaptation
• Title（参考訳）: 対話型エージェントの因果的保持--インタフェース因子化と選択的適応
• Abstract要約: 本研究では,凍結学習状態がトレーニングとは無関係に固定されたメカニズム・プローブマップに応答するかどうかについて検討する。 実験では、有限因果系、連続シミュレーター、公式のTD-MPC2世界モデル、Qwen2.5-7B-インストラクトをカバーしている。
• 参考スコア（独自算出の注目度）: 13.66805113709947
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Task performance need not determine which intervention mechanism an agent retains. We study causal retention: whether a frozen learned state answers a mechanism-probe map fixed independently of training, including action, context, direct target, value, and delay. For finite structural causal model classes, the optimal probe error is a Bayes decision risk. It vanishes exactly when every learning-interface fiber lies within one probe-answer fiber; any state obtained by post-processing that interface inherits the same lower bound. A posterior-coverage theorem characterizes budgeted retesting, while an exact edit decomposition shows that the shifted set is the unique support of an error-free target update. Causal Core implements these conditions through evidence-gated writing, readout filtering, temporal credit, hidden-context setup, and local diagnostic updates. Experiments cover finite causal systems, continuous simulators, an official TD-MPC2 world model, and Qwen2.5-7B-Instruct. A frozen Qwen last-layer probe reaches 0.958 balanced accuracy on source mechanisms but 0.583 on changed delays; the gated mechanism state reaches 1.000 and accepts only 0.056 of synchronized-readout candidates. In TD-MPC2, five target states per actuator recover effect-sign accuracy from 0.057 to 0.948 without degrading stable responses. Causal retention is therefore distinct from task sufficiency and source-domain decodability.
• Abstract（参考訳）: タスクパフォーマンスは、エージェントが保持する介入メカニズムを決定する必要はない。 我々は,凍結学習状態が,行動,文脈,直接的目標,価値,遅延など,トレーニングとは無関係に固定されたメカニズムプローブマップに応答するかどうかを調査する。 有限構造因果モデルクラスの場合、最適プローブ誤差はベイズ決定リスクである。 すべての学習・インタフェースファイバーが1つのプローブ・アンサー・ファイバー内にあるとき、そのインターフェースが同じ下界を継承した後処理によって得られる状態は、正確に消滅する。 後被覆定理は、予算化された再テストの特徴を特徴付け、正確な編集分解は、シフトした集合がエラーのないターゲット更新のユニークなサポートであることを示している。 Causal Coreは、エビデンス付き書き込み、読み出しフィルタリング、時間クレジット、隠れコンテキスト設定、ローカル診断更新を通じて、これらの条件を実装している。 実験では、有限因果系、連続シミュレーター、公式のTD-MPC2世界モデル、Qwen2.5-7B-インストラクトをカバーしている。 凍結したQwen最終層プローブはソース機構の精度0.958に達するが、遅延の変化は0.583であり、ゲート機構状態は1.000に達し、同期読み出し候補の0.056しか受け入れない。 TD-MPC2では、安定した応答を低下させることなく、アクチュエータ当たりの5つの目標状態が0.057から0.948に回復する。 したがって、因果保持はタスク満足度とソース・ドメイン・デオーダビリティとは異なっている。

関連論文リスト

• ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
  大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。 SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。 モデル自身の失敗から両方を得るReDraftを紹介します。
  論文  参考訳（メタデータ） (2026-09-15T04:59:03Z)
• Guardrailed Meta-Agent Loops: Stress-Testing Policy Pinning, Budget Bounds, and Crash Recovery [7.414694666903067]
  GuardrailLoopはシミュレーションベースのテストベッドで、3つの運用契約を共同でテスト可能にする。 ハッシュピン付ポリシーは、目標、スコープ、評価アイデンティティ、予算、リリース条件を修正します。 有用な適応、状態回復、反復実行を分離する。
  論文  参考訳（メタデータ） (2026-09-10T21:22:08Z)
• Calibrating Criterion Revision in LLM Agents: Failure Modes and a Trace-Anchored Protocol [3.202978695204522]
  言語モデルエージェントは、失敗後に改善したり、成功と見なすものを再検討することなく、エピソード間でテキストを運ぶことができる。 CMB-0.1を12例,腕4例で検討した。 モデルトライアルが5つの条件すべてを満たすことはないが、このゼロは一般能力の欠如を証明していない。
  論文  参考訳（メタデータ） (2026-08-21T04:21:28Z)
• Why Does the Future Branch? Identifiable Closure Tests for Stochastic Physical World Models [0.0]
  ClosurePairsは、繰り返し発生する障害を伴う互換性のあるマイクロステートを横断します。 ソースの属性は確実に回復する。 非線形相互作用ベンチマークにおける等予算分解誤差を低減する。
  論文  参考訳（メタデータ） (2026-08-01T11:07:24Z)
• Consistent Evidence, Robust Recognition: Faithful Attribution Regularization under Geometric Transformations [42.90321348046055]
  画像領域のサブモジュール探索に基づくアノテーションのない属性正規化フレームワークを提案する。 候補部分集合がモデル出力にどのように影響するかを測定することで、探索は、コンパクトでクラス識別的な証拠を探索由来の監督として抽出する。 ImageNet-100の実験結果から,VT-B/16の属性安定性,挿入性,削除性は0.28ポイントの精度低下で大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2026-07-26T20:41:38Z)
• Operational Proto-Introspection in Looped Language Models: Process-Quality Taps, Executable Branching, and the Readout-Control Boundary [0.0]
  言語モデルは、進行中の計算の質を読み取ることができるか? 外部介入は、その読み出しをより良い結果に変えることができるか? 凍結した2.6Bループ変換器,Ouro-RLTTで両質問を検証した。
  論文  参考訳（メタデータ） (2026-07-20T22:40:36Z)
• Real-Time Source-Free Object Detection [40.10658212485104]
  自律運転、監視、ロボットのための現実世界の検出器は、厳格なレイテンシとメモリ制約の下でドメインシフトを処理しなければならない。 我々は,NMSフリーなデュアルヘッド検出器であるYOLOv10上に構築することで,より高速かつコンパクトに,最先端の適応精度が得られることを示す。
  論文  参考訳（メタデータ） (2026-06-30T15:38:56Z)
• When Agents Commit Too Soon: Diagnosing Premature Commitment in LLM Agents [0.0]
  長い答えのLSMエージェントは静かに失敗する可能性があり、彼らは証拠を早期に読み上げ、残りの期間をその証拠を守るのに費やした。 我々は、表現的コミットメントを、固定された推論ステップにおいて、クロスランな隠れ状態収束として定義する。 ランタイムモニタは、AUROCの隠れ状態から0.97までの不整合軌道を検出する(より厳密なスプリットの下で0.85-0.88)。
  論文  参考訳（メタデータ） (2026-06-22T07:13:13Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)

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。