論文の概要: Maintaining Human Verification Capacity under Automation
- arxiv url: http://arxiv.org/abs/2609.38459v1
- Date: Tue, 29 Sep 2026 19:47:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.315729
- Title: Maintaining Human Verification Capacity under Automation
- Title（参考訳）: 自動化下での人間検証能力の維持
- Abstract要約: 本稿では、自動チェック、人的チェック能力への投資、中断時のパフォーマンスなどに依存する。
達成可能なメンテナンスとエラーの最高のコストを削減しても、独立した専門知識を維持するインセンティブを低下させる可能性がある。
- 参考スコア（独自算出の注目度）: 3.9256804549871553
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human verification depends on expertise that must be maintained before it is needed. This paper links reliance on automated checks, investment in human checking ability, and performance during an interruption. Better checking lowers the error reduction gained from an extra unit of human skill while the checker works. It can therefore reduce the incentive to preserve independent expertise, even when it lowers the best achievable expected cost of maintenance and errors. In an illustration, a more informative checker raises detection while it works from \hoPowWorkA{} to \hoPowWorkC{} percent, but the organization then keeps no routine practice and detects \hoPowOnsetC{} percent of errors when the checker first fails, against \hoPowOnsetA{} percent with a less informative checker. A detection requirement therefore concerns both current capability and its survival until new training becomes effective. Evidence from colonoscopy and aviation documents weaker unaided performance under routine automation, without isolating the mechanism. The framework connects a detection target to an explicit reserve of expertise and a training pipeline. Standard detection tests estimate each quantity and reveal automation bias and silent checker failures. The framework distinguishes the requirement from minimizing expected loss and proposes a longitudinal test.
- Abstract（参考訳）: 人間の検証は、必要になる前に維持しなければならない専門知識に依存する。
本稿では、自動チェック、人的チェック能力への投資、中断時のパフォーマンスに依存する。
チェックの改善により、チェッカーが動作している間に、人間のスキルの余分なユニットから得られるエラーの削減が削減される。
したがって、最も達成可能なメンテナンスとエラーのコストを低減しても、独立した専門知識を維持するインセンティブを減らすことができる。
イラストでは、より情報に富んだチェッカーが \hoPowWorkA{} から \hoPowWorkC{} に動作している間に検出を上昇させるが、組織は通常のプラクティスを保ち、チェッカーが最初に失敗した時に \hoPowOnsetC{} のエラーを検知し、情報に乏しいチェッカーで \hoPowOnsetA{} のエラーに対して検出する。
したがって、検出要件は、新しいトレーニングが有効になるまで、現在の能力と生存の両方を懸念する。
大腸内視鏡検査および航空検査による証拠は、機構を分離することなく、定期的な自動化下での性能を弱めている。
このフレームワークは、検出対象を専門知識の明確な予備とトレーニングパイプラインに接続する。
標準検出テストは各量を推定し、自動化バイアスとサイレントチェッカーの失敗を明らかにする。
このフレームワークは,期待損失を最小限に抑えるための要件を識別し,縦断試験を提案する。
関連論文リスト
- hacktrace: behavior-supervised detection of reward hacking during code generation [52.709361620508595]
コーディングエージェントは、コードを修正するか、バグを露呈するテストを削除することで、パスグレードを得ることができる。
我々はQwen3-8Bから173,561個の注釈付きマルチターン符号化トラジェクトリをリリースし、成功を活かさないショートカット動作の監視が検出を大幅に改善することを示す。
HACKTRACEは、エージェントがコードを生成する際に既に計算している内部状態を読み取る行動監視モニターである。
論文 参考訳（メタデータ） (2026-10-02T09:35:59Z) - CART: Closed-Loop Adaptive Red Teaming for Large Language Models [91.66397227953821]
CART(Closed-Loop Adaptive Red Teaming)は、各結果を使用して、次にテストするものをガイドするフレームワークである。
テストを生成するChallengeと、テスト中のTarget、テキストのみのモデルや境界ツール使用エージェント、結果を評価するJuiceを分離する。
論文 参考訳（メタデータ） (2026-09-23T04:16:46Z) - From Subjective Judgments to Auditable Standards:Protocol-Guided AI Auditing of Website Redundancy [2.2917707112773593]
ウェブサイトの冗長性は、単一の固定された意味を持っていない。
我々は,繰り返し負荷,正規利用税,障害領域回復予備費を別々に測定するCORAを導入する。
論文 参考訳（メタデータ） (2026-08-21T07:17:35Z) - Cybersecurity Detection Classification with Reasoning-enabled Language Models [50.72675435043546]
セキュリティオペレーションセンター(SOC)の大きな問題は、警告疲労である。
以前の作業では、大きな言語モデル(LLM)がトリアージラベルを直接出力するように促すか、あるいは微調整するが、検出が真の脅威であるかどうかを判断するよう訓練することはない。
我々は、実際の人間ラベルのWindowsエンドポイント検出に対して、推論可能なトリアージ分類器(CoT)を訓練する。
論文 参考訳（メタデータ） (2026-07-30T16:22:13Z) - Self-Authored Verification Is Unreliable in Heuristic Self-Improving Agents [5.91817208489443]
検証・受け入れ・デプロイのギャップについて検討する。
このギャップは、エージェントの自己承認された検証信号と封印されたデプロイメント評価との相違を指す。
シーリング型外因性受容ループ(SEAL)について紹介する。
論文 参考訳（メタデータ） (2026-07-27T11:45:14Z) - World Model Failure Classification and Anomaly Detection for Autonomous Inspection [23.48742973289626]
教師付き障害分類と異常検出を組み合わせたハイブリッドフレームワークを提案する。
我々のアプローチは、圧縮されたビデオ入力を持つ世界モデルバックボーンを使用する。
実験では、成功、失敗、およびOODケースの区別において90%以上の精度が示されている。
論文 参考訳（メタデータ） (2026-02-18T04:41:14Z) - Audit the Whisper: Detecting Steganographic Collusion in Multi-Agent LLMs [0.0]
Audit the Whisperは、理論、ベンチマーク設計、検出、検証にまたがるカンファレンスグレードの研究成果物である。
i) パラフレーズ, レート制限, 役割置換などの介入が, ペアリングしたKullback-Leibler診断によって定量的なペナルティの操作を課すことを示すチャネル容量分析を行った。
我々は、匿名化された再生スクリプト、匿名化されたマニフェスト、ドキュメントをリリースし、外部監査官がすべての図を再現し、二重盲検要件を満たし、最小限の努力でフレームワークを拡張します。
論文 参考訳（メタデータ） (2025-10-05T17:51:52Z) - Applying Machine Learning for Duplicate Detection, Throttling and
Prioritization of Equipment Commissioning Audits at Fulfillment Network [1.933681537640272]
VQ(Vendor Qualification)とIOQ(Installation and Operation Qualification)監査は倉庫で実施され、すべての機器が品質基準を満たしている。
この作業では、自然言語処理と機械学習を使用して、倉庫のネットワーク用の大規模なチェックリストデータセットをトリムする。
論文 参考訳（メタデータ） (2022-09-28T20:40:32Z) - SUPERNOVA: Automating Test Selection and Defect Prevention in AAA Video
Games Using Risk Based Testing and Machine Learning [62.997667081978825]
従来の手法では、成長するソフトウェアシステムではスケールできないため、ビデオゲームのテストはますます難しいタスクになります。
自動化ハブとして機能しながら,テスト選択と欠陥防止を行うシステム SUPERNOVA を提案する。
この直接的な影響は、未公表のスポーツゲームタイトルの55%以上のテスト時間を減らすことが観察されている。
論文 参考訳（メタデータ） (2022-03-10T00:47:46Z) - Understanding Classifier Mistakes with Generative Models [88.20470690631372]
ディープニューラルネットワークは教師付き学習タスクに有効であるが、脆弱であることが示されている。
本稿では、生成モデルを利用して、分類器が一般化に失敗するインスタンスを特定し、特徴付ける。
我々のアプローチは、トレーニングセットのクラスラベルに依存しないため、半教師付きでトレーニングされたモデルに適用できる。
論文 参考訳（メタデータ） (2020-10-05T22:13:21Z)
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。