論文の概要: VStress: Correlation-Aware Auditing and Adaptive Budget Allocation for Repeated Verifiers

• arxiv url: http://arxiv.org/abs/2609.36958v1
• Date: Tue, 29 Sep 2026 07:59:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.308551
• Title: VStress: Correlation-Aware Auditing and Adaptive Budget Allocation for Repeated Verifiers
• Title（参考訳）: VStress: 繰り返し検証のための相関型監査と適応予算配分
• Abstract要約: オーディエンス可能なリプレイ契約であるVStressと,相関を考慮したアロケーションポリシであるVStress-CAを紹介する。 VStressは、シールされたキャリブレーション分割上の未クエリ検証者の条件境界情報を推定する。
• 参考スコア（独自算出の注目度）: 23.604799907878245
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Repeated verifier calls are useful only when they contribute conditional information. We introduce VStress, an auditable replay contract, and VStress-CA, a correlation-aware allocation policy that estimates the conditional marginal information of an unqueried verifier on a sealed calibration split, discounts uncertainty, normalizes by call cost, and stops or abstains when the next call is not informative. The controller freezes its decision and cost ledger before joining the clean oracle; a dependence-shift alarm disables channel preference and falls back to exact-stop. The controlled audit gives the mechanism boundary: at 35% symmetric corruption, majority-5 improves balanced accuracy from 0.6578 to 0.7739, whereas at 65% it loses 0.1226 points. In the matched fixed-budget comparison, breadth, redundancy, and adaptive allocation obtain balanced accuracies 0.6048, 0.6375, and 0.6538, with 3.4216 calls per item and an RLVR score of 0.6417 for VStress-CA. Dependence diagnostics also increase from same-model repeats to cross-family channels, with conditional marginal gains of 0.0126, 0.0462, and 0.0913. These measurements turn correlation from a post-hoc warning into an auditable allocation decision.
• Abstract（参考訳）: 繰り返し検証呼び出しは条件情報の提供時にのみ有用である。 オーディエンス可能な再生契約であるVStressと、密閉キャリブレーション分割における未クエリ検証者の条件境界情報を推定し、不確実性を抑え、呼び出しコストで正規化し、次の呼び出しが通知されない場合に停止または停止する相関対応アロケーションポリシーであるVStress-CAを紹介する。 コントローラは、クリーンなオラクルに参加する前に決定とコスト台帳を凍結する。依存シフトアラームはチャンネルの好みを無効にし、正確に停止する。 制御された監査は、メカニズムの境界を与える: 35%の対称性の破損で、多数派5はバランスの取れた精度を0.6578から0.7739に改善し、65%は0.1226ポイントを失う。 一致した固定予算比較において、幅、冗長性、適応割り当ては、VStress-CAで3.4216コール、RLVRスコアが0.6417のバランスの取れた精度0.6048、0.6375、0.6538を得る。 依存診断は、同じモデルの繰り返しから、0.0126、0.0462、0.0913の条件付き限界ゲインを持つクロスファミリーチャネルへと増加する。 これらの測定は、ポストホック警告からの相関関係を監査可能なアロケーション決定に変換する。

関連論文リスト

• Audit-First VAPO: Risk-Certified Selective Updates under Imperfect Verification [23.835119696596095]
  不完全な検証者は、クリップングや正規化がその大きさを束縛している場合でも、有害な更新を割り当てることができる。 Audit-First VAPOを導入し、離散的な方向入力と連続的な等級制御を分離する。
  論文  参考訳（メタデータ） (2026-09-27T15:21:45Z)
• The Price of Peeking: Anytime-Valid Leakage Detection on ML-KEM EM Traces [45.88028371034407]
  本研究は, ベットによる検査に基づく漏洩検出について検討する。 13000～20000のサンプルに対して繰り返し表示される$|t|>4.5$は2.7-12.9%の複製で誤報を発生させた。
  論文  参考訳（メタデータ） (2026-09-27T14:14:10Z)
• OSCC: Certified Observation-Safe Coupling Optimization for Gradient-Noise Control in Imperfect-Information Learning [23.835119696596095]
  無効な結合は、隠された状態を隠蔽し、内因性ポリシーのランダム性を同期させ、または、偽の履歴が分岐した後の誤ったチャンスイベントを発生させる。 本稿では,限界保存,情報状態安全性,ブランチローカルなポリシーランダム性,セマンティックイベントアライメント,トレース・ビオークル・リプレイなどを通じて,許容可能なクラスを定義するフレームワークであるオブザーバセーフ・カウンタファクト・カップリング(O SCC)を紹介する。 我々は, 限界保存結合に対して, ポリシ・ヤコビアン重み付き対角外帰還共分散が雑音変化を決定することを示す勾配対応結合基準を導出する。
  論文  参考訳（メタデータ） (2026-09-27T13:10:30Z)
• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [69.06648810271712]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• Cost-Aware Post-Hoc Deferral Under Calibration and Shift: An Environmental AI Case Study [2.9152186617858304]
  本研究では,6グループ誤りリスク推定器,クラス非対称コスト,レビュア精度,オプションサポートゲートを用いて,自動動作とレビュー結果の比較を行う。 12のオフザシェルフバックエンド、学習リスク、キャリブレーションに適合したクラス対応の信頼度推定器、それぞれが生のChowを6回打ち負かしている。 10の川駅に乗り換えると、ゲートは全てのケースにフラグを付け、常に見直されるフォールバックとなり、レビューが完璧で制約のない場合にのみ8つの駅で最低コストに達する。
  論文  参考訳（メタデータ） (2026-09-07T23:09:35Z)
• Beyond Local Accuracy: A Protocol-Level Identifiability Audit for Controlled LLM Reasoning Evaluation [6.047519836191728]
  有限行動ポリシークラス上でプロトコルレベルの識別可能性監査を形式化する。 監査はモデルコールをゼロにし、診断ケースを解決します。 このケースは、モデル推論の前に、どのように評価設計の妥当性を構造的に確認できるかを示す。
  論文  参考訳（メタデータ） (2026-08-13T14:49:47Z)
• 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)
• Beyond Output-Space Calibration: Spectral Evidence Bundling for Selective Reliability Estimation in Time-Series Classification [26.80740674805048]
  時系列分類のポストホック校正は通常、出力スコアを再マップするが、配置決定は現在の時間信号によって確実な予測が支持されるかどうかに依存する。 同一の信頼値が異なる時間的サポートを隠蔽し、平均キャリブレーションは偽の高信頼誤差を見逃し、出力空間再校正は限られた入力リンク監査性を提供する。 信頼すべきかどうかを推定しながら、バックボーンの予測を一定に保ちつつ、バリデーション付き固定ラベル信頼性ポリシーを導入する。
  論文  参考訳（メタデータ） (2026-06-29T01:31:00Z)
• VI-CuRL: Stabilizing Verifier-Independent RL Reasoning via Confidence-Guided Variance Reduction [55.04308051033549]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、LLM(Large Language Models)推論を向上するための主要なパラダイムとして登場した。 モデル固有の信頼性を活用して外部検証から独立したカリキュラムを構築するフレームワークであるVerifier-Independent Curriculum Reinforcement Learning (VI-CuRL)を紹介する。
  論文  参考訳（メタデータ） (2026-02-13T03:40:52Z)

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。