論文の概要: Robust Is Salient: An Informed Adversary Moves the Optimal Signal onto the Salience Pole
- arxiv url: http://arxiv.org/abs/2610.00233v1
- Date: Wed, 23 Sep 2026 00:52:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.579572
- Title: Robust Is Salient: An Informed Adversary Moves the Optimal Signal onto the Salience Pole
- Title（参考訳）: インフォームド・アドバイザリーがSalience Poleに最適なシグナルを移動
- Abstract要約: 108の確認項目では、逆ローバスト最適度は以前の作業のサリエンス極と正確に一致している。
20万石のプールでは、たった2,748個のアイテムだけが異なる。
この動きが敵意識の最適方向なのか、それともサリエンス方向なのかは測定できない。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: When an informed adversary shares the audience of a constrained signalling channel, the signal that best protects the truth is the signal that best describes it. On 108 confirmatory items, the adversary-robust optimum aligns exactly with the salience pole from prior work. Across a 200,000-item pool, the two differ on only 2,748 items --- lying exactly where the prior salience-to-Bayes coordinate is undefined. Where defined, robustness is achieved by moving from Bayesian discrimination entirely to salience. We show this by introducing an adversary to a forced-choice task (abstracted from Deception: Murder in Hong Kong). The adversary knows the target, observes the signal, and argues for the strongest wrong answer using a persuasion budget, $β$. As $β$ grows, the optimal signal shifts from the posterior-maximizing option to the margin-maximizing one; at $β= 0$, the game reproduces the original oracle model with a listener temperature of $τ= 1$. This effect is real: 18.2 percent of the pool has an optimum that shifts under a finite budget, and each item's critical budget is exact. This coincidence structurally limits empirical evaluation. Two adversary framings change the chosen option of seven language models on 30 to 77 of 108 items against an exact no-effect rate. Yet, no measurement can determine whether this movement is toward the adversary-aware optimum or toward salience, because the two options are identical. This is a structural limit, not a null result. The diagnostic check is cheap: before evaluating adversary-awareness, verify whether the robust target coincides with a heuristic target on the evaluation items.
- Abstract（参考訳）: 情報のある相手が制約された信号チャネルのオーディエンスを共有するとき、真実を最もよく保護する信号は、それを最もよく記述する信号である。
108の確認項目では、逆ローバスト最適度は以前の作業のサリエンス極と正確に一致している。
20万石のプールの中で、両者は2,748個のアイテムでしか違い、前回のサリエンス・トゥ・ベイズ座標が未定義の場所にある。
定義されている場合、ロバスト性はベイズ差別から完全にサリエンスに移行することで達成される。
ここでは、強制選択タスク(香港の詐欺:殺人から抽出した)に敵を導入することで、これを示す。
相手はターゲットを知り、信号を観測し、説得予算($β$)を使って最も間違った答えを求める。
β$が大きくなると、最適な信号は後方最大化オプションから辺縁最大化オプションにシフトし、β=0$の値では、リスナー温度が$τ=1$で元のオラクルモデルを再現する。
この効果は現実的であり、プールの18.2%は、有限予算の下でシフトする最適値を持ち、各アイテムの臨界予算は正確である。
この偶然は、構造的に経験的評価を制限する。
2つの対立するフレーミングは、正確な非効果率に対して、30から77項目の108項目の7つの言語モデルの選択オプションを変更する。
しかし、この2つの選択肢が同一であるため、この動きが対向認識の最適方向なのか、それともサリエンス方向なのかは判断できない。
これは構造的な制限であり、nullの結果ではない。
診断チェックは安価で、敵意識を評価する前に、ロバストターゲットが評価項目のヒューリスティックターゲットと一致するかどうかを検証する。
関連論文リスト
- F-DACE: Fuzzy Disagreement-Aware Causal Evidence Fusion for Abstention-Safe Conversational Retail Decision Support [0.0]
F-DACEはファジィメンバシップとして精度、妥当性の重なり、プラセボの難燃安定性、インターバルオーバーラップ、方向性の一致を表す。
LangGraphの会話エージェントは、影響、結果、レバー最適化ツールを公開し、決定論的検証器は因果層状態を保存する。
論文 参考訳（メタデータ） (2026-09-16T07:14:38Z) - Bayesian Best-Arm Identification with Abstention: A Polynomial-to-Exponential Phase Transition [51.253617466579335]
本研究では,学習者が端末の推薦を控えることができるベイジアン固定予算のベストアーム識別問題について検討する。
本研究は,非検出誤りの確率を解析し,吸収を伴わない準最適腕を推奨するリスクについて考察する。
論文 参考訳（メタデータ） (2026-06-28T05:07:27Z) - Constitutional Value Potentials: reading and steering internal priority margins in language models [7.4804012268124085]
コンスティチューションは、言語モデルに何を価値とすべきかを伝えるが、それが価値があるかどうかはほとんど教えてくれない。
我々は、この仲裁が、構造化されたマージン読み出しにおけるアクティベーションから読み取ることができることを示す。
憲法条項は、マージンが正であることの主張となり、1つのモニターがそうでないときにフラグをスコアする。
論文 参考訳（メタデータ） (2026-06-13T18:14:23Z) - Reinforcement Learning Trained Observer Control for Bearings-Only Tracking [0.9167082845109437]
本稿では、自律型ベアリングのみの移動目標追跡のための強化学習に基づくオブザーバ制御ポリシーを開発する。
報酬関数は、絶対目標位置推定誤差の最小化とCKF推定一貫性の維持という、2つの矛盾する目標に対処するように設計されている。
その結果、DQNの$0.7ドルのポリシーは、正確性と堅牢性の間の最良のトレードオフを達成していることがわかった。
論文 参考訳（メタデータ） (2026-05-04T00:55:14Z) - Mind the Gap: A Causal Perspective on Bias Amplification in Prediction & Decision-Making [58.06306331390586]
本稿では,閾値演算による予測値がS$変化の程度を測るマージン補数の概念を導入する。
適切な因果仮定の下では、予測スコア$S$に対する$X$の影響は、真の結果$Y$に対する$X$の影響に等しいことを示す。
論文 参考訳（メタデータ） (2024-05-24T11:22:19Z) - Nearly Optimal Algorithms for Contextual Dueling Bandits from Adversarial Feedback [58.66941279460248]
人からのフィードバックから学ぶことは、大言語モデル(LLM)のような生成モデルを調整する上で重要な役割を果たす
本稿では,このドメイン内のモデルについて考察する。-文脈的デュエルバンディット(contextual dueling bandits)と,正の選好ラベルを相手によって反転させることができる対向フィードバック(reversarial feedback)について考察する。
本稿では,不確実性重み付き最大推定に基づく頑健なコンテキストデュエルバンドイット(RCDB)を提案する。
論文 参考訳（メタデータ） (2024-04-16T17:59:55Z) - Alternating Objectives Generates Stronger PGD-Based Adversarial Attacks [78.2700757742992]
Projected Gradient Descent (PGD) は、そのような敵を生成するための最も効果的で概念的にシンプルなアルゴリズムの1つである。
この主張を合成データの例で実験的に検証し、提案手法を25の$ell_infty$-robustモデルと3つのデータセットで評価した。
私たちの最強の敵攻撃は、AutoAttackアンサンブルのすべてのホワイトボックスコンポーネントより優れています。
論文 参考訳（メタデータ） (2022-12-15T17:44:31Z) - Pure Exploration with Structured Preference Feedback [25.894827160719526]
我々は、機能付きN$アームを含むサブセットワイドな選好フィードバックによる純粋探索の問題を考察する。
我々は,$tildeo (fracd2k delta2)$サンプル中の最良アームの検出を少なくとも1.99ドルで保証する2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-04-12T08:57:29Z) - Stochastic Linear Bandits with Protected Subspace [51.43660657268171]
線形目的関数を最適化するが、報酬は未知の部分空間にのみ得られる線形帯域問題の変種について検討する。
特に、各ラウンドでは、学習者は、目的または保護されたサブスペースを、アクションの選択とともにクエリするかどうかを選択する必要がある。
提案アルゴリズムはOFULの原理から導かれるもので,保護された空間を推定するためにクエリのいくつかを利用する。
論文 参考訳（メタデータ） (2020-11-02T14:59:39Z)
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。