論文の概要: Separating Decision Time from Decision Quality in the Real-Time Gap of Distilled Deciders: Evidence from a Game and a Conveyor Simulator
- arxiv url: http://arxiv.org/abs/2610.04810v1
- Date: Sat, 03 Oct 2026 23:29:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-11 08:46:01.005493
- Title: Separating Decision Time from Decision Quality in the Real-Time Gap of Distilled Deciders: Evidence from a Game and a Conveyor Simulator
- Title（参考訳）: 実時間消耗量における決定品質からの決定時間分離-ゲームとコンベヤシミュレータによる証拠-
- Abstract要約: ティック変換は、非同期プレイにおいて同一ゲーム上で、ヒット精度が14.8ポイント (pp) となる学習判定器の損失をほぼゼロに予測する。
代わりに、決定者のギャップをゼロ・ドゥームの教師に時間と品質の要素に分割しました。
ライブプレイ中の各腕に1回の遅延スケジュールを課すことで、100試合で5.8pp[4.0, 7.5]の品質が保たれ、リトレーニングによって、教師との意見の不一致が22.7%から14.9%に減少した。
- 参考スコア（独自算出の注目度）: 1.5724417696255826
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-time agents are often evaluated with the world paused, or with decision time rounded to whole ticks (tick conversion). Tick conversion predicts almost no loss for a learned decider whose hit accuracy falls by 14.8 percentage points (pp) on the same games in asynchronous play. We instead split the decider's gap to a zero-latency teacher into time and quality components. In ViZDoom, we train a small decider by imitating a scripted teacher, run the game on wall-clock time, and add a control in which the teacher waits for a call to the decider's server before deciding. On a Windows host, three preregistered studies put the time component at 6.5-8.7 pp and the quality component at 6.3-8.6 pp. On a Linux host that skips 0.08-0.09% of ticks, the time component disappeared (-0.1 pp; paired 95% bootstrap interval [-0.4, 0.0]) while the quality component remained (5.6 pp [3.7, 7.5]). Retraining on teacher-labelled states from the decider's own play (DAgger) improved it on new games on both hosts (2.6 pp [0.4, 4.9] and 3.1 pp [1.1, 5.2]), a preregistered partial success. Imposing one delay schedule on every arm in live play left a quality component of 5.8 pp [4.0, 7.5] on 100 new games, and retraining cut the decider's disagreement with the teacher on its own states from 22.7% to 14.9%. In a conveyor simulator with a 400 ms deadline, delay past it erased the quality component. A latency-matched control whose delays match the decider's shows which remedy to try.
- Abstract（参考訳）: リアルタイムエージェントは、しばしば、世界が停止したか、あるいは決定時間が全コマに丸められた(ティック変換)ことで評価される。
ティック変換は、非同期プレイにおいて同一ゲーム上で、ヒット精度が14.8ポイント (pp) となる学習判定器の損失をほぼゼロに予測する。
代わりに、決定者のギャップを、ゼロレイテンシーの教師に時間と品質のコンポーネントに分割しました。
ViZDoomでは、スクリプト化された教師を模倣して小さなディクショナを訓練し、ウォールクロック時間にゲームを実行し、決定する前に教師がディクショナのサーバに電話をかけるのを待つ制御を追加する。
Windowsのホストでは、事前登録された3つの調査で、時間成分は6.5-8.7 pp、品質成分は6.3-8.6 ppだった。
0.08-0.09%をスキップするLinuxホストでは、タイムコンポーネントが消失(-0.1 pp; 95%ブートストラップ間隔 [-0.4, 0.0])し、品質コンポーネントが残った(5.6 pp [3.7, 7.5])。
決定者自身のプレー(DAgger)から教師を巻き込んだ状態のトレーニングにより、両方のホスト(2.6pp[0.4, 4.9]と3.1pp[1.1, 5.2])で新しいゲームが改善された。
ライブプレイ中の各腕に1回の遅延スケジュールを課すことで、100試合で5.8pp[4.0, 7.5]の品質が保たれ、リトレーニングによって、教師との意見の不一致が22.7%から14.9%に減少した。
400msの納期を持つコンベアシミュレータでは、遅延によって品質コンポーネントが消去された。
遅延が決定者の試行にマッチする遅延整合制御。
関連論文リスト
- Agent Error Dataset: Scaling 50,000 Error--Diagnosis Pairs for Failure Analysis and Error-Aware Post-Training [45.727227890697556]
我々は,9,961のソースタスクから50,228のエラー診断ペアからなるエージェントエラーデータセット(AED)を紹介した。
5段階のAgenic Error-to-Trainingパイプラインは自然の故障を収集し、診断と修正案を生成し、記録された証拠と照合する。
アクタートレーニングのレシピの比較において、アクションオンリーの修復トレーニングは成功オンリーのトレーニングよりもWebShop-liteの方が6.67ポイント高い。
論文 参考訳（メタデータ） (2026-09-30T16:40:22Z) - FAER: Auditable Utility-Aligned Trajectory Replay for Language Model Post-Training [21.87319355077669]
リプレイセレクタは、しばしばフォーマットフィードバック、信頼、鮮度、応答長によってキャッシュされた軌跡をランク付けする。
この選択と学習のギャップを形式化し、FAERを監査可能なフルトラック再生フレームワークとして導入する。
論文 参考訳（メタデータ） (2026-09-30T09:41:08Z) - StreamDecisionBench: Evaluating Decisions in Force on Evolving Language Streams [0.0]
言語モデルは、新しいものが到着するまで、最新の回答を適用するアプリケーションにおいて、ますますリアルタイムな決定をする。
遅れた答えは、顧客がカードの詳細を読み出している間、コールレコーダーがまだ実行されているなど、古い決定を延ばすことができる。
StreamDecisionBench(SDB)は、4つのアプリケーションファミリで8つのストリーミングシナリオのデータセットで、パブリックルールから導かれる参照決定を実行可能なものにします。
論文 参考訳（メタデータ） (2026-09-29T22:15:49Z) - Learn Now, Use Next, Trust Later: Prequential Test-Time Learning for LLM Agents [55.440058537827134]
StepLearnは、永続的な信頼から即時の使用を分離する非パラメトリックフレームワークである。
情報的な遷移を仮説に変え、次のステップを導く。
GPT-5-miniでの平均成功率は59.9%、84.0%、Qwen3.5-35B-A3Bで57.8%、88.1%である。
論文 参考訳（メタデータ） (2026-09-28T08:06:03Z) - Opera: A Verbal Critic Framework for Long-horizon Coding Agents [74.58337827299496]
本稿では,各修正を永続的なノートとして扱う言語批判フレームワークであるOperaについて紹介する。
Operaは、周期的およびイベント駆動のトリガを通じていつレビューするかを決定し、型付きオペレーターと問題を診断し、配信前に可視的な証拠に対するフィードバックを監査し、エージェントのその後のアクションを追跡して、単なるコンプライアンスと実際の解決を区別する。
論文 参考訳（メタデータ） (2026-09-27T22:42:57Z) - Harness or Model? Isolating the Harness Effect in Agentic Coding with a Contamination-Controlled Private Suite [0.0]
エージェント符号化システムは、言語モデルをハーネスに結合する。
ベンダーは独自のモデルに合わせてハーネスを出荷する。
256のリポジトリとポストカット後のコンテストタスクのプライベートな汚染制御スイート上で、ペア同モデルコントラストの仮定を計測する。
論文 参考訳（メタデータ） (2026-09-08T21:24:40Z) - Multi-Agent Self-Improving Reinforcement Learning for Video Reasoning [45.361080098317665]
グラウンドドビデオ質問応答や時間的グラウンド化のようなビデオ推論タスクは、クエリをサポートする時間的エビデンスを選択する必要がある。
凍結検証器がトレーニングをガイドできるかどうかについて検討する。
我々のフレームワークは、トレーニング可能なEmphGrounderと凍結したEmphVerifierを結合する: Grounderは候補の軌跡とエビデンスセグメントをサンプリングする。
論文 参考訳（メタデータ） (2026-08-25T07:46:32Z) - A Shared Learning Rate Is Not a Neutral Control in Selective On-Policy Distillation [0.0]
選択的絡み合いを見つけ、それをステップサイズではなく選択自身にトレースする。
我々は、セレクタ比較の前提条件として、共有レート列ではなく、アームxレート行列を報告する。
論文 参考訳（メタデータ） (2026-08-17T03:35:00Z) - Belief-Space Perception Routing under Coupled Sensor Faults and Compute Contention [0.0]
固定された時計を見て反応しなければならないロボットは、同時に2つの問題に遭遇する。
本稿では,センサフォア状態と計算競合状態の推定値を追跡する知覚ルータを提案する。
2つのストレッサーが共起している場合、結合されたポリシーは期限満了率を1.1から9.4ポイントに削減する。
論文 参考訳（メタデータ） (2026-07-31T22:17:12Z) - MAIGO: Mitigating Lost-in-Conversation with History-Cleaned On-Policy Self-Distillation [51.32912774464992]
大規模な言語モデルは、しばしば完全に指定されたプロンプトからタスクを解くが、同じ要求が複数のターンに広がると分解する。
本研究は, モデル自体の方針から, 履歴をクリアした基準を用いて汚染を低減させる, オンライン自己蒸留法であるMAIGOを提案する。
ミドルターンの場合、MAIGOは、ユーザ可視のシャードプレフィックスを保持しながら、事前のアシスタント応答を削除します。
論文 参考訳（メタデータ） (2026-05-26T15:38:46Z)
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。