論文の概要: CALIBUDGET: Calibration-Guided Source Allocation for Fixed-Budget Mixed-Reasoning Adaptation

• arxiv url: http://arxiv.org/abs/2609.36721v1
• Date: Tue, 29 Sep 2026 05:00:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.196162
• Title: CALIBUDGET: Calibration-Guided Source Allocation for Fixed-Budget Mixed-Reasoning Adaptation
• Title（参考訳）: CALIBUDGET:固定予算混合推論適応のための校正誘導ソースアロケーション
• Abstract要約: CALIBUDGETは、ソースの露光を明示的な適応変数として扱う。 モデル、目的、または全体予算を変更することなく、正確なキャパシティ・リスペクティング・クォータを生成する。 結果から,ソースクォータの小さな変化が問題となる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 6.463488403937654
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fixed-budget adaptation from heterogeneous data sources requires deciding not only how much data to use, but how much exposure each source receives. Size-proportional rules can crowd out small sources, whereas difficulty-only rules can chase noisy estimates or allocate residual budget to nearly saturated pools. We introduce CALIBUDGET, a floor-protected, reliability-aware integer allocator that treats source exposure as an explicit adaptation variable. From small train-internal calibration splits, it combines model need, post-floor availability, and bootstrap stability, then produces exact capacity-respecting quotas without changing the model, objective, or total budget. In a controlled setting combining mathematical and commonsense data, CALIBUDGET improves CommonAvg, FragileAvg, and MacroAvg over validation-error-with-floor, the strongest matched comparator, in all three paired LLaMA-2-7B LoRA+ runs. The respective mean gains are 0.56, 0.46, and 0.41 percentage points (pp). Overall increases by 0.18 pp, whereas MathAvg decreases by 0.20 pp, exposing a coverage-retention boundary rather than a uniform gain. CALIBUDGET changes only 1.14-1.42% of the source budget but improves performance in 15 of 24 comparisons across commonsense tasks and seeds. These results suggest that small changes in source quotas can matter; example-level selection can then determine which examples fill each quota.
• Abstract（参考訳）: 不均一なデータソースからの固定予算適応は、使用するデータ量だけでなく、各ソースが受信する露出量も決定する必要がある。 サイズ比のルールは小さな情報源を集結させることができるが、難易度のみのルールはノイズの多い見積もりを追いかけたり、残留予算をほぼ飽和プールに割り当てたりすることができる。 CALIBUDGETはフロアプロテクトされた信頼性の高い整数アロケータで、ソースの露光を明示的な適応変数として扱う。 小型の列車内キャリブレーションの分割から、モデルの必要性、フロア後の可用性、ブートストラップの安定性を組み合わせ、モデル、目標、総予算を変更することなく正確なキャパシティ・リスペクション・クォータを生成する。 数学的および常識的データを組み合わせた制御された設定では、CALIBUDGETは3組のLLaMA-2-7B LoRA+の実行において、最強の照合コンパレータである検証エラー付きフロアよりもCommonAvg、FragileAvg、MacroAvgを改善している。 各平均利得は0.56、0.46、0.41ポイント(pp)である。 一方、MathAvgは0.18ppで、MathAvgは0.20ppで減少し、一様ゲインよりもカバー保持境界が露出する。 CALIBUDGETはソース予算の1.14-1.42%しか変更していないが、コモンセンスタスクとシードの24つの比較のうち15でパフォーマンスが向上している。 これらの結果は、ソースクォータの小さな変更が重要であることを示唆し、サンプルレベルの選択によって各クォータを満たすサンプルを決定することができる。

関連論文リスト

• Certified Optimal Measurement Reduction over Quantum Context Landscapes [0.0]
  RANGEを用いて,Fockproxy-co-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockpr oxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockpr oxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockpr oxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockpr oxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy。
  論文  参考訳（メタデータ） (2026-07-18T16:06:52Z)
• How Useful is Causal Invariance for Domain Adaptation in Finite-Sample Settings? [58.740078141879984]
  機械学習モデルは、トレーニングされたソースディストリビューションとは異なるターゲットディストリビューションにデプロイされると、しばしば劣化する。 因果関係に基づく領域一般化における最近の研究は、共用因果構造が不変な予測因子を誘導する方法を示している。 本稿では,完全あるいは部分的な因果知識が,教師付きドメイン適応を確実に改善できるかどうかについて検討する。
  論文  参考訳（メタデータ） (2026-06-10T21:07:49Z)
• Calibration Data Trade-offs Across Capability Dimensions: Why Multi-Source Mixing Matters for High-Sparsity LLM Pruning [19.73397801069819]
  訓練後のプルーニングは、小さな未ラベルキャリブレーションセットを使用して、大きな言語モデルを高い疎度に圧縮する。 本稿では,情報誘導型自己校正プロトコルIGSPを提案する。
  論文  参考訳（メタデータ） (2026-06-02T08:38:14Z)
• Correction and Corruption: A Two-Rate View of Error Flow in LLM Protocols [51.56484100374058]
  そこで本研究では,単一プロトコルステップを正確なマッチングタスクで監査するためのペアアウトカム計測インタフェースを提案する。 各インスタンスについて、インターフェースはベースラインの正当性ビットと後ステップの正当性ビットを記録する。 これらのレートは精度の変化を予測し、種、混合物、パイプライン間でテスト可能な再利用可能な経験的インターフェースを定義する。
  論文  参考訳（メタデータ） (2026-04-20T13:25:40Z)
• MMR1: Enhancing Multimodal Reasoning with Variance-Aware Sampling and Open Resources [113.33902847941941]
  VAS (Variance-Aware Sampling) は、Variance Promotion Score (VPS) によって導かれるデータ選択戦略である。 我々は、1.6MのCoT冷間開始データと15kのRLQAペアを含む大規模かつ慎重にキュレートされたリソースをリリースする。 数学的推論ベンチマークによる実験では、キュレートされたデータと提案されたVASの有効性が示されている。
  論文  参考訳（メタデータ） (2025-09-25T14:58:29Z)
• Wasserstein-regularized Conformal Prediction under General Distribution Shift [21.29977879431466]
  等式予測は、i.d.仮定の下で真のターゲットの1-alpha$カバレッジが保証された予測セットを生成する。 本稿では、ワッサーシュタイン距離に基づくカバレッジギャップの上界を提案し、確率測度をプッシュフォワードで解析する。 本稿では,重要重み付けと正規化表現学習(WR-CP)に基づくアルゴリズム設計のための分離を利用して,有限サンプル誤差境界のワッサーシュタイン境界を低減する。
  論文  参考訳（メタデータ） (2025-01-23T07:29:44Z)
• Learnable Distribution Calibration for Few-Shot Class-Incremental Learning [122.2241120474278]
  FSCIL(Few-shot class-incremental Learning)は、古いクラス分布を記憶し、少数のトレーニングサンプルから新しいクラス分布を推定するという課題に直面している。 本稿では,これら2つの課題を統一フレームワークを用いて体系的に解決することを目的とした,学習可能な分布校正手法を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:40:26Z)
• A Unified Framework for Multi-distribution Density Ratio Estimation [101.67420298343512]
  バイナリ密度比推定(DRE)は多くの最先端の機械学習アルゴリズムの基礎を提供する。 ブレグマン最小化の発散の観点から一般的な枠組みを開発する。 我々のフレームワークはバイナリDREでそれらのフレームワークを厳格に一般化する手法に導かれることを示す。
  論文  参考訳（メタデータ） (2021-12-07T01:23:20Z)
• Test-time Batch Statistics Calibration for Covariate Shift [66.7044675981449]
  我々は,推論中に深層モデルを新しい環境に適応させることを提案する。 バッチ統計の校正に$alpha$-BNの一般的な定式化を提案する。 また、統合テスト時間適応フレームワークCoreを形成するための新しい損失関数も提示する。
  論文  参考訳（メタデータ） (2021-10-06T08:45:03Z)

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。