論文の概要: Discriminating Fixture Coverage in Agent-Infrastructure Verification Suites
- arxiv url: http://arxiv.org/abs/2610.02928v1
- Date: Fri, 02 Oct 2026 07:17:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.253814
- Title: Discriminating Fixture Coverage in Agent-Infrastructure Verification Suites
- Title（参考訳）: エージェント-赤外構造検証スイートにおけるフィクスチャ被覆の識別
- Abstract要約: マルチセッションエージェント状態投影層に対する変異解析を不変スイートに適用する。
マルチセッションエージェント・ステート・プロジェクション・レイヤの不変集合に突然変異解析を適用すると、この標準バリデーションがスイートを認証していることが最初にわかる。
その後、修復された12チェックスイートを凍結し、ハッシュを記録し、敵リーダが指定した10のミュータントに対して一度実行します。
- 参考スコア（独自算出の注目度）: 8.475591798270258
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Invariant suites and runtime monitors increasingly gate agent deployment decisions, and the evidence offered for any particular suite is almost always a single observation: it passes an implementation believed correct and fails one believed broken. We measure what that observation is worth. Applying mutation analysis to an invariant suite for a multi-session agent state-projection layer, we first find that this standard validation certifies a suite in which a first-order mutant removing event-identity deduplication survives every check. We then freeze the repaired twelve-check suite, record its hash, and run it once against ten mutants specified by an adversarial reader who designed none of its fixtures: it kills five. Instrumenting the five survivors against the reference shows they fail in two distinct ways, not one. Three are never activated, because no fixture supplies an input on which the mutated code behaves differently at all. The other two corrupt internal state that no oracle in the suite can observe. The two modes need different repairs, and neither is visible from a pass/fail report. Treating the missing inputs as a coverage question, we enumerate seven discriminating dimensions of the input space, register in advance which are uncovered and which survivors they should explain, and add one fixture per uncovered dimension while reusing the existing oracles verbatim. All five survivors then die, each to the check written for its predicted dimension. We report this as a repair result on the same challenge set rather than a second held-out estimate, and give the artifact, including the frozen hash, the registered predictions, all mutants and the run logs, so the distinction is checkable.
- Abstract（参考訳）: 不変のスイートとランタイムモニタは、エージェントのデプロイメント決定をますますゲートし、特定のスイートに提供されるエビデンスはほとんど常に単一の観察である。
私たちはその観察の価値を測る。
マルチセッションエージェント・ステート・プロジェクション・レイヤの不変集合に突然変異解析を適用することで、この標準バリデーションは、イベント・アイデンティティの重複を除去した一階のミュータントがチェック毎に生存するスイートを認証する。
修理済みの12チェックスイートを凍結し、ハッシュを記録し、それを敵の読者が指定した10のミュータントに対して実行します。
5人の生存者を基準に測定すると、彼らは2つの異なる方法で失敗し、1つではないことが分かる。
3つがアクティベートされないのは、変更されたコードが全く異なる振る舞いをする入力を提供するフィクスチャがないからである。
他の2つの内部状態は、スイート内のオラクルが観察できない状態である。
2つのモードは異なる修理を必要とし、どちらもパス/フェイルレポートから見ることはできない。
欠落した入力をカバレッジ問題として扱い、入力空間の7つの識別された次元を列挙し、前もって発見され、どの生存者が説明すべきかを登録し、既存のオークル動詞を再利用しながら、未発見の次元ごとのフィクスチャを1つ追加する。
生存者5人全員が死亡し、それぞれが予測された寸法のために書かれた小切手によって死亡する。
本報告では, 凍結したハッシュ, 登録された予測, ミュータント, ランログなどを含むアーティファクトを, 第2のホールトアウト推定ではなく, 同一の課題セットの修復結果として報告する。
関連論文リスト
- VeriHarness: Scaling Agentic Verification for Long-Horizon Tasks [56.74345405508208]
LLMエージェントはますます複雑で長期のタスクをこなし、そのアウトプットを検証することがますます困難になっている。
本研究では, 基準応答へのアクセスや試験時の潤滑油の分解を行わずに, 固定ベースモデルで検証能力を強化する方法について検討する。
コンセンサスによってエラーを隠蔽できる一方で、不一致はしばしば正しい代替手段を公開することに気付きました。
これらの観察はVeriHarnessを動機付け、ジェネレータが使用する基礎となるLLMを、ワークスペース、エビデンスツール、再利用可能な検証スキルを与えることによって、エージェント検証器に変える。
論文 参考訳（メタデータ） (2026-10-01T03:02:17Z) - More Rejective, Not More Discriminative: The Unit of Verification in Pre-Execution LLM Oversight [3.8564927363194754]
事前実行監視は、AI制御における信頼できる監視のコアとなる。
既存の設計ではユニットが与えられており、フェールブルモニターに対する効果は計り知れない。
私たちのフレームワークは、この選択のために制御され、事前登録された最初の楽器であり、キャッチのみを読み取ることはありません。
論文 参考訳（メタデータ） (2026-08-25T00:59:55Z) - Evidence Before Expansion: Reuse, Spawn, or Defer in Lifelong Expert Pools [0.0]
再使用と産卵は条件付き(機械レベル)の相違に基づく一面的な仮説として表される。
我々は、予測可能な判別器シーケンスの観測可能なサロゲート差分に対する有限時間有効性を証明した。
合成マルチコンセプトストリーム、Electricity、Covertype、および繰り返し重大INSECTSベンチマークでは、再起動された銀行は偽の産出をゼロにする。
論文 参考訳（メタデータ） (2026-08-20T10:54:17Z) - Separating Covariate Shift from Mechanism Change with Two Discriminators: CJSD, a Conditional Discrepancy with an Exact Covariate-Concept Decomposition [0.0]
Conditional Jensen-Shannon Discrepancy (CJSD)
202組のデータセットの10測定バッテリーでは、CJSDとkNNプラグインの2つの条件情報推定器だけがフェールする。
論文 参考訳（メタデータ） (2026-08-20T10:48:08Z) - Runtime Observability for Heterogeneous Attention Memory [20.158719055939383]
3つの演算子を持つ4つのメモリクラスすべてをカバーするランタイムオブザーバビリティ契約を提供します。
ステージごとのスタックを実行可能な要求レベルのリスク台帳に構成する。
論文 参考訳（メタデータ） (2026-08-06T10:41:50Z) - Suppression Sticks, Locality Is Fragile: A Closed-Loop Target-and-Control Audit of Task-Vector Negation in VLA Policies [33.432377306905735]
タスクベクトル算術は、モデルを修正するためのクローズドフォームな方法を提供するが、クローズドループロボット制御において、その振る舞いの局所性は未だ不明である。
マルチタスク・ビジョン・ランゲージ・アクション(VLA: Multitask Vision-Language-action)ポリシーから,タスク・ベクターごとのタスク・ベクター・サブトラクションのターゲット・アンド・コントロール・監査を行う。
論文 参考訳（メタデータ） (2026-08-05T10:59:53Z) - Coding Agents as Test-Suite Auditors: Finding What Official Suites Miss While Approaching What They Catch [47.836680625916266]
テストスイート監査官として機能する市販のコーディングエージェントは、どちらも、公式スイートが見逃すものを公開するために、敵対的なテストスイートを構築します。
認証チェーンは、各エージェントフラッグされた申請が、公式の裁判官に頼らずに、真にバグだらけであるか否かを判定する。
Codeforceは、利用可能なオフィシャルスイートを持たない問題に対して、同じテストビルディングメソッドを使用して、テストされた入力予算毎に5つの再生ベースラインを導出する。
論文 参考訳（メタデータ） (2026-08-03T05:24:03Z) - Looping Is Not Reliability: State-Bound Evidence and Typed Revision Contracts for Agentic Code Repair [36.56438114281786]
正しいパッチの発見と保持、検証、提出のギャップについて検討する。
我々はエビデンスバウンド型ループ契約を導出し、その機械的に強制可能なサブセットを参照実装でインスタンス化する。
論文 参考訳（メタデータ） (2026-07-27T16:05:23Z) - Forgetting Is Not a Fix: Path Dependence in Sequential Engram Editing [35.76482964927589]
本研究では,概念固有のメモリトレースが1回,1回,1回を算術的に組み合わせて抽出できる線形オブジェクトとなるという仮説を検証した。
そのテストは、著者自身の参照実装に基づいて、報告された最高の編集強度で実行します。
アンラーニング・アズ・コンプライアンス:今日認定された消去は、次の編集後にアーティファクトを認定しない。
論文 参考訳（メタデータ） (2026-07-06T23:45:06Z) - What Accuracy and Gradient Cosine Miss: Evaluating Feedback Alignment via Scale Stability, Reference Validity, and Depth Utility [48.10132234701036]
本稿では,3つのチェック(スケール安定性,参照妥当性,深度ユーティリティ)に基づく診断評価プロトコルを提案する。
複数のアーキテクチャや手法にまたがって、我々のプロトコルは広い校正マージンを持つ全ての障害を識別する。
論文 参考訳（メタデータ） (2026-06-19T06:04:17Z) - A Universal Cliff and a Design Fingerprint: Cross-Section Defect Detection Under LLM Orchestration [0.0]
生産言語モデルシステムは、労働者エージェントの目に見えないオーケストレーションにまたがってそれを拡大する要求に答える。
これは、単一のワーカーが見ることができない欠陥のクラスに何をもたらすか尋ねる。
1人の開発者から5世代にわたる10のシステムと、異なるアライメントパラダイムからの5つのプロバイダのみです。
論文 参考訳（メタデータ） (2026-05-25T05:09:48Z)
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。