論文の概要: Is This Evidence Decision-Critical? Learning to Verify Rule-Governed Decisions

• arxiv url: http://arxiv.org/abs/2609.39608v1
• Date: Wed, 30 Sep 2026 12:26:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.736424
• Title: Is This Evidence Decision-Critical? Learning to Verify Rule-Governed Decisions
• Title（参考訳）: このエビデンス決定は批判的か?ルール統治決定の検証を学ぶ
• Abstract要約: ルールに基づく推論では、言語モデルが個々の条件に対する証拠を評価し、明確な規則の下で判断を組み合わせる必要がある。 本稿では,ルール統治決定における証拠批判の事実検証を可能にする,インターベンションに基づくImPACT学習フレームワークを提案する。 InterPactは68.28%の精度で6つのベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 18.755285586873974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rule-based reasoning, as in eligibility checks and contract reviews, requires language models to assess evidence against individual conditions and combine their judgments under explicit rules. Errors in evidence assessment can leave a decision unchanged, but misinterpreting or overlooking decision-critical evidence can reverse it. Identifying such evidence allows more capable models to focus on checking the corresponding condition judgments, supporting accurate and safe decisions. Recognizing the evidence's criticality requires understanding how evidence affects a condition judgment and how that judgment affects the decision. To achieve the goal, we propose a INTERvention-based imPACT learning framework (InterPact), which enables counterfactual verification of evidence criticality in rule-governed decisions. Specifically, its evidence intervention constructor generates training pairs for a propagation verifier by editing case facts with a frozen language model while holding rules and non-target conditions fixed. Human-reviewed labels record the resulting condition and decision changes, while complete state-to-decision mappings supervise consequences beyond the observed edit. During training, the verifier weights learned conditional decision predictions by evidence-based condition probabilities through a fixed composition operation, propagating decision-change supervision into the base model. At inference, the trained base model directly judges criticality from the original case and target evidence, without human or stronger-model supervision. On single-case evidence criticality verification over adapted rule-governed decision cases, InterPact achieves 68.28% accuracy, outperforming all six baselines. These results support learned decision sensitivity as a basis for prioritizing evidence checks.
• Abstract（参考訳）: 規則に基づく推論は、適格性チェックや契約レビューのように、個々の条件に対する証拠を評価し、明示的な規則の下で判断を組み合わせるために言語モデルを必要とする。 証拠評価の誤りは、決定をそのまま残すことができるが、決定に批判的な証拠を誤解したり、見落としたりすると、それを覆すことができる。 このような証拠を特定すれば、より有能なモデルでは、対応する条件判断の確認に集中でき、正確かつ安全な判断を支援することができる。 証拠の臨界性を認識するには、証拠が条件判断にどう影響するか、その判断が判断にどのように影響するかを理解する必要がある。 この目的を達成するために,ルールを負う決定における証拠批判の実証的検証を可能にするインターベンションベースのImPACT学習フレームワーク(InterPact)を提案する。 具体的には、そのエビデンス介入コンストラクタは、ルールと非ターゲット条件を固定しつつ、フリーズ言語モデルでケース事実を編集し、伝播検証器のトレーニングペアを生成する。 人間レビューされたラベルは、結果の状態と決定の変化を記録し、完全な状態と決定のマッピングは、観察された編集以上の結果を監督する。 訓練中, 検証者重みは, 一定の構成操作を通じて証拠に基づく条件条件確率による条件決定予測を学習し, ベースモデルに意思決定変更の監督を伝達した。 推測において、訓練されたベースモデルは、人間やより強いモデルの監督なしに、元のケースから批判を直接判断し、証拠を目標とする。 適用された規則に従属する決定事例に対する単一ケースの証拠的批判性検証では、InterPactは68.28%の精度を達成し、6つの基準線全てを上回っている。 これらの結果は,エビデンスチェックの優先順位付けの基礎として,学習した意思決定感度を支持する。

関連論文リスト

• Counterfactual Self-Evolving Agents for Evidence-Grounded Reasoning [35.98610301736344]
  セルフプレイプロジェクタ-ソルバ手法は、タスクを生成し、検証されたソリューションから学習することで推論を改善する。 そこで,本論文では,原事例を再考するための反実的文脈を生成する反実的自己進化について紹介する。 トレーニング可能なプロポーラは、対象とするエビデンスを編集し、因果的説明で潜在的な結果の変化を記述する。
  論文  参考訳（メタデータ） (2026-09-26T18:54:50Z)
• Complex Problem Solving in Large Language Models: A Statistical Control Survey and Diagnostic Framework [52.886947585847594]
  大規模言語モデル(LLM)による複雑な問題解決は、しばしばより強い推論やより長い生成の問題としてフレーム化される。 しかし、早期のエラー増幅、迅速な脆さ、誤ったコミットメントを修正する失敗を説明するのは難しい。 本調査はCPSを潜在解状態上の逐次推定・決定問題と解釈する。
  論文  参考訳（メタデータ） (2026-09-17T18:28:45Z)
• A Mathematical Framework for Legacy, Governance, and Decision Integrity in Enterprise AI [0.0]
  本稿では,制度的遺産のためのデザイン・サイエンス・フレームワークを開発する。 i) 知識保持、ガバナンス、人間の監督、適応性、フィードバック学習、および管轄権の忠実さという、厳格化された幾何学的平均に基づく正規化されたレガシースコア。 また、8つのAI決定整合性ルール、評価プロトコル、再現可能な計算実証も提案している。
  論文  参考訳（メタデータ） (2026-09-01T02:06:32Z)
• Conditional Visual Evidence Utility: State-Dependent Rank Reversals in Frozen Vision-Language Encoders [2.0411082897313984]
  色, 形状, テクスチャのエビデンスを独立に露呈し, その条件付き限界効用が取得状態全体にわたって測定可能であることを示す。 800のシーンにおいて、凍結されたOpenCLIPとSigLIPは、強い状態依存のランク逆転を示す。 第1の取得後のみ、決定が1つのエビデンスモード、ワードリング、バックボーンで選択されると、肯定的なステップ2ユーティリティが生成される。
  論文  参考訳（メタデータ） (2026-08-28T13:25:40Z)
• Why2Speak: Faithful Reasoning for Abstaining Action Policies [0.19336815376402716]
  我々は,直接的な意思決定方針,推論方針,教師付き微調整,強化学習を比較した。 最強の直接政策はより高い品質を達成するが、検査する理由を示さない。 監視された微調整は、推論を抑えるか、意思決定の質を向上させることなく維持する一方、強化学習は推論ポリシーを改善するのに失敗する。
  論文  参考訳（メタデータ） (2026-08-21T02:00:21Z)
• COSMO: Consensus-Driven Shift Modulation for Source-Free Domain Adaptation [79.43842208099619]
  ソースフリードメイン適応(SFDA)は、ソースデータなしでラベルなしのターゲットドメインにソーストレーニングされたモデルを適用する。 VLM誘導型SFDAを標本単位の信頼性割当問題として定式化する。 本稿では,専門家から専門家への指導を協調適応に置き換えるために,COSMO(Consensus-Driven Shift Modulation)を提案する。
  論文  参考訳（メタデータ） (2026-08-05T09:10:30Z)
• Time to REFLECT: Can We Trust LLM Judges for Evidence-based Research Agents? [61.49434544687523]
  本稿では,エージェント環境におけるきめ細かい故障検出を目的としたメタ評価ベンチマークREFLECTを紹介する。 REFLECTはプロセスレベルの障害モードと結果レベルの障害モードの詳細な分類を定義し、制御および局所的な介入を実行することでインスタンス化する。 私たちの実験では、最高のパフォーマンスモデルでさえ、推論、ツール使用、レポート品質の失敗に対して、全体的なアキュラシーを55%以下に達成しています。
  論文  参考訳（メタデータ） (2026-05-18T23:55:08Z)
• Case-Grounded Evidence Verification: A Framework for Constructing Evidence-Sensitive Supervision [1.7044563989708406]
  ケースグラウンドによる証拠検証を導入する。 得られたサポートタスクに対して標準検証器をトレーニングする。 結果は、根拠となる証拠の大きなボトルネックは、モデル能力だけでなく、監督の欠如にあることを示唆している。
  論文  参考訳（メタデータ） (2026-04-10T17:55:38Z)
• Towards Real-Time Fake News Detection under Evidence Scarcity [66.58597356379907]
  本稿では,リアルタイムフェイクニュース検出のための新しいフレームワークである評価アウェア・セレクション・オブ・エキスパートズ(EASE)を提案する。 EASEは、利用可能な証拠の十分性を評価した意思決定プロセスに適合する。 本稿では,新興ニュースのモデル一般化を限られた証拠で評価するための新しいベンチマークであるRealTimeNews-25を紹介する。
  論文  参考訳（メタデータ） (2025-10-13T11:11:46Z)
• Explaining Sources of Uncertainty in Automated Fact-Checking [41.236833314783134]
  CLUE (Conflict-and-Agreement-aware Language-aware Language-model Uncertainty Explanations) は、モデル不確実性の自然言語説明を生成するフレームワークである。 クレーム・エビデンス(クレーム・エビデンス)またはインターエビデンス・コンフリクト(インターエビデンス・コンフリクト)を暴露するテキストと、モデルの予測の不確実性を促進する合意の間の関係を識別する。 CLUEは、モデルの不確実性により忠実で、事実チェックの決定とより一貫性のある説明を生成する。
  論文  参考訳（メタデータ） (2025-05-23T13:06:43Z)
• Inverse Active Sensing: Modeling and Understanding Timely Decision-Making [111.07204912245841]
  我々は,内因性,文脈依存型時間圧下でのエビデンスに基づく意思決定の一般的な設定のための枠組みを開発する。 意思決定戦略において、サプライズ、サスペンス、最適性の直感的な概念をモデル化する方法を実証する。
  論文  参考訳（メタデータ） (2020-06-25T02:30:45Z)

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。