論文の概要: Characterizing a Configuration Where Inference-Time PRM-Pruned Fragment Grafting Is Inert: Evidence from Three Reasoning LMs
- arxiv url: http://arxiv.org/abs/2610.00047v1
- Date: Thu, 03 Sep 2026 11:06:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-05 14:48:16.329497
- Title: Characterizing a Configuration Where Inference-Time PRM-Pruned Fragment Grafting Is Inert: Evidence from Three Reasoning LMs
- Title（参考訳）: 推論時間PRM処理フラッグメントグラフトが不完全であるような構成のキャラクタリゼーション:3つの共振膜からのエビデンス
- Abstract要約: PRM-Pruned Fragment Graftingは、クロス軌道ステップレベルの転送の最小化である。
322回のステージング・ルール・インジェクション・イベントの4ビット分類では、真に苦闘しているチェーンを標的にしたのはわずか14%であった。
後近のオラクルは、独立な +0.13 pp で PPFG を選択することで、プロブレム当たりの利得を制限している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Diversity collapse in parallel chain-of-thought has motivated inference-time interventions built on a natural design: when a process reward model (PRM) prunes a chain, its high-PRM prefix is extracted and grafted verbatim as an in-context demonstration into a still-decoding sibling. We isolate this mechanism, PRM-Pruned Fragment Grafting (PPFG), as the most cost-minimal operationalization of cross-trajectory step-level transfer, and test it at the operating point where prior fragment-grafting work reports gains only under additional compensating ingredients. On Qwen2.5-7B-Instruct with Math-Shepherd on full MATH500 (n=500, three seeds), PPFG in both stagnation- and random-targeting variants is statistically indistinguishable from an independent parallel-CoT baseline on every measured axis. We characterize why: a four-bucket classification of 322 stagnation-rule injection events shows only 14% targeted a genuinely struggling chain; the rest landed on chains that had already succeeded, were near completion, or sat on a flat PRM plateau, states a rescue graft cannot change. No compound-gate refinement jointly achieves well-targeted firing and adequate density, and a random control matches the same parity at 2.4x the firing rate, so the inertness is not heuristic-specific. The finding replicates across three base LMs, six benchmarks, a second PRM, and a compatibility-gate sweep; two-one-sided-tests analysis promotes the parity to positive equivalence on all twelve Qwen/LLaMA cells. A per-event spot-check finds injected chains prune at 2.75x the matched-step rate, but a surviving-sibling counterfactual finds no population-level compensation. A hindsight oracle bounds any per-problem gain from choosing PPFG over independent at +0.13 pp. We contribute an equivalence-testing template for establishing inference-time mechanism nulls, with every claim scoped to its tested operating point.
- Abstract（参考訳）: プロセス報酬モデル(PRM)が連鎖を産み出すと、その高PRMプレフィックスが抽出され、その高PRMプレフィックスは、コンテキスト内デモとして、まだデコードされたシブリングに移植される。
我々は,この機構, PRM-Pruned Fragment Grafting (PPFG) を, クロストラジェクティブ・ステップレベル転送の最もコスト最小の運用方法として分離し, 以前のフラグメントグラフティング作業報告が追加の補償材料の下でのみ得られる動作点でテストする。
Qwen2.5-7B-Instructed with Math-Shepherd on full MATH500 (n=500, three seed), PPFG in stagnation- and random-targeting variants is statistically in statistically independent parallel-CoT baseline on each measured axis。
322回のステージング・ルール・インジェクションイベントの4ビット分類は、真の苦難チェーンを標的としたわずか14%であり、残りは、すでに成功したチェーンに着陸し、ほぼ完成していたり、平らなPRM台地に座ったりした。
複合ゲートの改質は、適切に照らされた発火と十分な密度を達成することができず、ランダム制御は発火速度の2.4倍で同じパリティと一致するため、慣性はヒューリスティックなものではない。
3つの基本LM、6つのベンチマーク、第2のPRM、互換性ゲートスイープ、両面テスト解析により、12のQwen/LLaMA細胞で正の等価性を示す。
ペア当たりのスポットチェックでは、2.75倍の割合で注入された鎖がプルーンと一致するが、生き残った兄弟の反事実は人口レベルの補償は見つからない。
後近のオラクルは、独立な +0.13 pp で PPFG を選択することで、プロブレム当たりの利得を制限している。
提案手法は,テスト対象とするすべてのクレームを対象とする,推論時機構のnullを確立するための等価テストテンプレートを提供する。
関連論文リスト
- Feasible Flow Matching for Graph Reconstruction via Within-Sampling Primal-Dual Guidance [38.82845857630961]
本稿では,各軌道に沿って進化するラグランジュ乗算器でサンプルを増強する制約付きプリマル・デュアルPIFMを提案する。
乗算器は予測されたエンドポイントにおける制約違反に応答し、再トレーニングせずにその後のサンプリングステップをガイドする。
3つのリンク予測ベンチマークと9つのデータセットと制約の組み合わせで、CDD-PIFMは11～26ポイントの実現可能性を高める。
論文 参考訳（メタデータ） (2026-09-26T22:25:33Z) - Batch-wise Adaptive Pruning: Periodic Neuron Activation-Aware Weight Pruning for Language Reasoning Model [41.842373153015586]
LRMにおけるバッチ推論のための学習不要適応型プルーニング法を提案する。
閾値に基づく選択を、集約された重要度スコアよりも周期的なトップk選択に置き換える。
バッチサイズ4の平均精度は39.7ポイント向上した。
論文 参考訳（メタデータ） (2026-08-14T06:46:02Z) - Post-Hoc Trajectory-Risk Certification for Modular LLM-Based Security Agents [1.4915002678801434]
ボンフェロニ配置は分布自由であるが,相関誤差下では保守的であることを示す。
粗いラベルの選択は、学習された依存なしにほぼ完璧な相関関係を作ることができる。
ステージ単位の証明書とペアの重なり合うバウンドを用いたモジュール証明書は、正の平均利得が0.6%となる。
論文 参考訳（メタデータ） (2026-08-04T23:48:36Z) - When Outputs Disperse, Does Epistemic Revision Follow? A Black-Box Diagnostic for Machine Collectives [0.0]
我々は,集団知能研究における分散リビジョン結合を運用する。
条件付き不服従は虚偽の前提回復を+17.7ポイント改善することを示す。
介入スタンスシフトと前提保存率を正確さとともに報告することを推奨する。
論文 参考訳（メタデータ） (2026-08-04T14:19:59Z) - QuantWAMs: Calibrating at the Right Granularity for World Action Models [34.540026172139406]
World Action Modelsは、将来の観測とアクションを共同で予測するが、反復的なデノゲーションとクローズドループの実行は、デプロイメントにコストがかかる。
我々は,量子化決定をモデル構造,ロールアウト分布,タスク目標によって定義されたキャリブレーションコンテキストと整合するPTQフレームワークQuantWAMを提案する。
我々は,RoboTwin 2.0,LIBERO,AgiBot G2を用いた実ロボット操作において,Fast-WAMおよびLingBot-VA上のQuantWAMを評価した。
論文 参考訳（メタデータ） (2026-07-30T15:54:29Z) - Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。
我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。
ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
論文 参考訳（メタデータ） (2026-07-07T10:10:00Z) - Metric Aggregation Divergence: A Hidden Validity Threat in Agent-Based Policy Optimization and a Contractual Remedy [7.1976264551575895]
メートル法アグリゲーション分散(英: Metric aggregate divergence、MAD)は、エージェントベースのモデルにおいて、異なるパイプラインステージで発生するサイレント不整合である。
私たちは、ディスパッチ時に実施される単一の呼び出し可能なランタイムであるメトリックコントラクトを、対策として紹介します。
論文 参考訳（メタデータ） (2026-06-27T18:17:33Z) - Ghost: Plausible Yet Unlearnable Trajectories via On-Manifold Substitution for Next-POI Privacy [34.07056031726073]
チェックイントラジェクトリをリリースするパブリッシャは、ユーザの将来位置の強い予測器を不注意に公開する。
このリスクに対処するために、クリーンなテスト入力に対して次点次点(next-POI)の精度を低下させた被害者モデルを生成する、学習不能なトラジェクトリ、摂動シーケンスを生成する。
我々はGhostを提案する。Ghostは、摂動が人間のチェックインシーケンスのように見えるが、学習可能な信号は残っていない。
論文 参考訳（メタデータ） (2026-06-02T14:31:14Z) - Learning from N-Tuple Data with M Positive Instances: Unbiased Risk Estimation and Theoretical Guarantees [33.15955234458642]
弱教師付き学習はしばしばラベルよりも粗い集約信号で機能する。
学習可能な未バイアスリスク推定器 (URE) をインスタンス生成プロセスと潜在限界値にリンクすることで, カウントが許容できることを示す。
我々は,理論上は基礎的かつ事実上安定的な目標設定によって,カウントオンリーの監視を効果的に活用できることを実証した。
論文 参考訳（メタデータ） (2025-10-21T08:28:07Z) - Ensemble Threshold Calibration for Stable Sensitivity Control [0.0]
本稿では,数千万組の幾何対もの幾何に対して,過度に分散した正確なリコールを実現するエンド・ツー・エンドのフレームワークを提案する。
我々のアプローチは、小さなエラーで常にリコールターゲットにヒットし、他のキャリブレーションと比較して冗長な検証を減らし、単一のTPU v3コア上でエンドツーエンドで実行します。
論文 参考訳（メタデータ） (2025-10-02T15:22:28Z)
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。