論文の概要: Nous: Learning and Certifying Memory Decisions Before Source Calibration
- arxiv url: http://arxiv.org/abs/2610.00094v1
- Date: Tue, 08 Sep 2026 09:01:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-05 14:48:16.365691
- Title: Nous: Learning and Certifying Memory Decisions Before Source Calibration
- Title（参考訳）: Nous: ソース校正前におけるメモリ決定の学習と認定
- Abstract要約: 信念に基づくエージェントメモリは、現在の状態に関する信頼できる決定を必要とする。
メモリは、意思決定を改善する前に、ソースを調整しなければなりませんか?
私たちは、学習、校正、修正の認定を分離します。
- 参考スコア（独自算出の注目度）: 1.5229257192293202
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Belief-based agent memory needs reliable decisions about current state, yet its evidence may be noisy, copied, or stale. Must a memory calibrate its sources before it can improve its decisions? We separate learning, calibration, and revision certification. On one four-model hidden Markov family, learning an unknown Bayes decision requires Theta(l^-2) records and certifying its improvement over an informative incumbent takes O(l^-2) fresh records from the same observation law, while fixed-precision source estimation requires Theta(l^-4) as persistence l vanishes. Thus learning and certifying useful decisions can require quadratically fewer records than source calibration. A broader model class retains the decision rate and source lower bound. Under an unknown identity-plus-background report channel, we characterize the sharp identified interval for policy improvement and derive a finite-sample certificate using observable witness regions, without pure-class anchors. A robustness extension tolerates bounded history-dependent misspecification and conditional copying; split-trained witnesses apply to arbitrary history spaces with explicit power conditions. We integrate policy-bound receipts with Nous Dimensions and test 45,000 held-out mutable-state histories and 9,000 episodes in three external MiniGrid memory environments with an introduced noisy-report interface. The new certificate accepts 9/9 improvements over a constant incumbent and 4/9 over last-write-wins, versus none for the earlier certificate in MiniGrid. Strong established inference baselines remain competitive or better. The result is a statistical account of when memory decisions can be learned and justified without recovering source reliability, not a universally superior memory algorithm.
- Abstract（参考訳）: 信念に基づくエージェントメモリは、現在の状態に関する信頼できる決定を必要とするが、その証拠は騒々しい、コピーされている、あるいは古いものかもしれない。
メモリは、意思決定を改善する前に、ソースを調整しなければなりませんか?
私たちは、学習、校正、修正の認定を分離します。
1つの4つのモデル隠れマルコフ族では、未知のベイズ決定を学習するためには、情報的既存者に対するセタ(l^-2)レコードが必要であり、その改善が同じ観測法からO(l^-2)レコードを取得するのに対して、固定精度ソース推定では持続lが消滅するときにセタ(l^-4)が必要とされる。
したがって、有用な判断の学習と証明は、情報源の校正よりも二次的に少ない記録を必要とする可能性がある。
より広いモデルクラスは、決定率とソースの低いバウンドを保持します。
未知のアイデンティティ+バックグランドレポートチャネルの下では、ポリシー改善のための鋭い識別間隔を特徴付け、純粋なクラスアンカーを使わずに観測可能な証人領域を用いた有限サンプル証明書を導出する。
堅牢性拡張は、有界な歴史依存的不特定性と条件付き複写を許容する; 分割訓練された証人は、明示的なパワー条件を持つ任意の歴史空間に適用する。
ノイズリポートインタフェースを導入した3つのMiniGridメモリ環境において、ポリシバウンドレシートをNous Dimensionsと統合し、45,000の保留状態履歴と9000のエピソードをテストした。
新しい証明書は、MiniGridの以前の証明書とは対照的に、現時点の9/9の改善と最終書き込みの4/9の改善を受け入れている。
強い確立された推論ベースラインは、競争力を維持するか、より良く保つ。
その結果、ソースの信頼性を回復することなく、メモリ決定がいつ学習され、正当化されるのかを統計的に説明でき、普遍的に優れたメモリアルゴリズムではない。
関連論文リスト
- Certifying Model Upgrades with Slice-Wise Non-Regression and Incumbent Fallback [2.8716825293247665]
本研究では,非回帰寛容性を考慮したチェックポイント選択について検討した。
提案手法では,候補探索を独立したペア評価から分離する再現可能なリリース手順を提案する。
共同リリース決定は、スライス数のボンフェロニのペナルティを必要としないが、スライス数によって認定能力は低下する可能性がある。
論文 参考訳（メタデータ） (2026-09-12T05:00:50Z) - Admission Without Answers: Label-Free Certification and Experience Learning for LLM-Based Optimization Modeling [8.467936416935986]
Admitorは、校正された外部行動証拠に基づいて構築された入場ゲートである。
これは、明確に校正された偽発見ターゲットを中心に設計された最初のラベルなし入場機構である。
論文 参考訳（メタデータ） (2026-08-16T06:18:54Z) - Minimal Markovization via Stable Quotients in Holonomy-Cover Decision Processes [13.539613784615605]
可視的ダイナミクスがRLであり、実現された可視的遷移がすべて、固定的な置換を隠れモードに適用する構造化されたPOMDPクラスについて述べる。
我々は、現在の観測と安定クラスのペアが、完全に有限なマルコフ状態を形成することを証明している。
実験では、原状態から商状態への正確な圧縮を回復し、3つの決定時間メモリ状態で完全なペア順序精度を達成する。
論文 参考訳（メタデータ） (2026-07-29T17:03:35Z) - Unlearning as Distribution Restoration: A Controlled Counterfactual Study, a Validated Selective Screen, and the Limits of Oracle-Free Certification [4.721990925113432]
我々は、アンラーニングを一致した基準の復元として再放送し、オラクルフリースクリーンと証明書スタイルの基準を監査する。
基本アンコールされたホールトアウトスクリーンは、選択的な必要なテストとして引き続き強力である。
同一性定理の定理は、どの事実が神託なしの忘れしきい値を全く認めていないかを減らしている。
論文 参考訳（メタデータ） (2026-07-21T08:59:54Z) - CaliDist: Calibrating Large Language Models via Behavioral Robustness to Distraction [51.56484100374058]
既存のLLM(Large Language Models)のキャリブレーション手法は、しばしば信頼性の重要な次元、すなわちモデルの振舞いの堅牢性を見落としている。
我々は,モデルが注意をそらす可能性を直接測定し,罰する,新しいポストホックキャリブレーション手法であるtextscCaliDistを紹介した。
textscCaliDistは、強いベースラインと比較して、期待の低いエラー(ECE)とBrier Scoreを一貫して達成します。
論文 参考訳（メタデータ） (2026-06-04T07:27:53Z) - STALE: Can LLM Agents Know When Their Memories Are No Longer Valid? [5.361950931863979]
大規模言語モデル(LLM)エージェントは、コヒーレントで長期的なパーソナライズされたメモリを維持することがますます期待されている。
現在のベンチマークは、主に静的な事実検索を計測し、新しい証拠が現れたときに保存された信念を更新する能力を見下ろしている。
専門家が検証した400の競合シナリオのベンチマークであるSTALEを紹介します。
CUPMemは,構造化状態統合と伝搬認識探索による書き込み時間リビジョンを強化するプロトタイプである。
論文 参考訳（メタデータ） (2026-05-07T16:31:15Z) - Belief Memory: Agent Memory Under Partial Observability [56.41506249481312]
本稿では,メモリパラダイムを観測毎に1つの結論にシフトし,その確率で複数の結論を導出するBeliefMemを提案する。
BeliefMemは決定論的パラダイムが破棄されるという不確実性を保ち、エージェントが高い信頼を持って行動することを可能にする。
LoCoMoとALFWorldベンチマークの実証的な評価は、限られたデータであっても、BeliefMemが最高の平均パフォーマンスを達成することを示している。
論文 参考訳（メタデータ） (2026-05-07T02:03:13Z) - CLUE: Non-parametric Verification from Experience via Hidden-State Clustering [64.50919789875233]
隠れアクティベーションの軌跡内の幾何的に分離可能なシグネチャとして解の正しさが符号化されていることを示す。
ClUE は LLM-as-a-judge ベースラインを一貫して上回り、候補者の再選において近代的な信頼に基づく手法に適合または超えている。
論文 参考訳（メタデータ） (2025-10-02T02:14:33Z) - Towards Evading the Limits of Randomized Smoothing: A Theoretical
Analysis [74.85187027051879]
決定境界を複数の雑音分布で探索することにより,任意の精度で最適な証明を近似できることを示す。
この結果は、分類器固有の認証に関するさらなる研究を後押しし、ランダム化された平滑化が依然として調査に値することを示す。
論文 参考訳（メタデータ） (2022-06-03T17:48:54Z) - Continual Learning for Fake Audio Detection [62.54860236190694]
本論文では,連続学習に基づく手法である忘れずに偽物を検出することで,モデルに新たなスプーフィング攻撃をインクリメンタルに学習させる手法を提案する。
ASVspoof 2019データセットで実験が行われる。
論文 参考訳（メタデータ） (2021-04-15T07:57:05Z) - The Right Tool for the Job: Matching Model and Instance Complexities [62.95183777679024]
NLPモデルが大きくなればなるほど、訓練されたモデルを実行するには、金銭的・環境的なコストを発生させる重要な計算資源が必要である。
我々は、推論中、早期(かつ高速)の"exit"を可能にする文脈表現微調整の修正を提案する。
3つのテキスト分類データセットと2つの自然言語推論ベンチマークの2つのタスクで、5つの異なるデータセットに対して提案した修正を検証した。
論文 参考訳（メタデータ） (2020-04-16T04:28:08Z)
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。