論文の概要: LLM Non-Determinism in Deterministic Processes: A Controlled Variation Space for Constraining the Propagation of Non-Determinism

• arxiv url: http://arxiv.org/abs/2610.06255v1
• Date: Mon, 05 Oct 2026 12:50:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 17:24:47.506191
• Title: LLM Non-Determinism in Deterministic Processes: A Controlled Variation Space for Constraining the Propagation of Non-Determinism
• Title（参考訳）: 決定論的過程におけるLLM非決定論:非決定論の伝播を制限する制御された変分空間
• Abstract要約: 大規模言語モデルは、定義された状態、ルール、承認に依存するソフトウェア開発プロセスでますます使われています。 プロセス指向のアプローチである制御非決定性を導入し、信頼性のあるプロセス状態を直接決定することなく、変更を可能にする。 提案手法は, 規制されたソフトウェア開発と, LLMをベースとした変更に対して, 信頼性のあるソフトウェア状態になる前に結果を確認可能な設計ガイドラインを導出するものである。
• 参考スコア（独自算出の注目度）: 0.059871517630143346
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models are increasingly used in software development processes that rely on defined states, rules, and approvals. This creates a tension between the flexibility of LLMs and the need for reliable and traceable process states. We introduce Controlled Non-Determinism, a process-oriented approach that allows variation without letting it directly determine the authoritative process state. We place LLM-based processing within a controlled variation space that is bounded by a Deterministic Envelope. Before execution, we define the process-relevant properties of the result and the exit conditions. We also record the task configuration. These elements remain fixed during execution. At the end of the variation space, an exit check determines whether the result satisfies the predefined conditions and may become the next authoritative state. Different runs may produce different admissible results while the transition to an authoritative state remains controlled. We illustrate the approach with regulated software development and derive design guidelines for LLM-based changes whose results can be checked before they become part of the authoritative software state.
• Abstract（参考訳）: 大規模言語モデルは、定義された状態、ルール、承認に依存するソフトウェア開発プロセスでますます使われています。 これにより、LCMの柔軟性と信頼性とトレーサブルなプロセス状態の必要性の間に緊張が生じます。 プロセス指向のアプローチである制御非決定性を導入し、信頼性のあるプロセス状態を直接決定することなく、変更を可能にする。 LLMに基づく処理は、決定論的エンベロープによって境界付けられた制御された変動空間に配置する。 実行前に、結果と終了条件のプロセス関連特性を定義します。 タスク設定も記録します。 これらの要素は実行中に固定される。 変動空間の最後には、エグゼクティブチェックが結果が予め定義された条件を満たすかどうかを判断し、次の権威状態になる。 異なるランは異なる許容結果を生成するが、権威状態への遷移は制御される。 提案手法は, 規制されたソフトウェア開発と, LLMをベースとした変更に対して, 信頼性のあるソフトウェア状態になる前に結果を確認可能な設計ガイドラインを導出するものである。

関連論文リスト

• OLIVIA: Online Learning via Inference-time Action Adaptation for Decision Making in LLM ReAct Agents [74.20327254615854]
  大規模言語モデルエージェントは、シーケンシャルな意思決定タスクを解決するために、推論、行動選択、観察をインターリーブする。 LLMエージェントの既存の推論時間適応法は、主にプロンプトや検索に依存している。 提案するOLIVIAは,ReAct型エージェントのための推論時行動適応フレームワークである。
  論文  参考訳（メタデータ） (2026-05-11T19:28:20Z)
• LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
  大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。 CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
  論文  参考訳（メタデータ） (2026-05-02T11:31:33Z)
• Managing the Stochastic: Foundations of Learning in Neuro-Symbolic Systems for Software Engineering [0.27195102129094995]
  AIコーディングエージェントに対する現在のアプローチは、大規模言語モデルとエージェント自体の境界を曖昧にしている。 本稿では, LLM が環境環境の構成要素として扱われるように制御境界を設定することを提案する。
  論文  参考訳（メタデータ） (2025-12-18T15:28:21Z)
• The Illusion of Procedural Reasoning: Measuring Long-Horizon FSM Execution in LLMs [10.228723521208858]
  大規模言語モデル (LLM) は推論問題としてのタスクにおいて顕著な結果を得た。 手続き的推論を実行し、多段階のルールベースの計算を実行する真の能力は、まだ不明である。 LLMの手続き的推論能力を評価するためのフレームワークとして有限状態機械実行を導入する。
  論文  参考訳（メタデータ） (2025-11-05T18:44:47Z)
• Embodied Agent Interface: Benchmarking LLMs for Embodied Decision Making [85.24399869971236]
  我々は,大規模言語モデル(LLM)を具体的意思決定のために評価することを目指している。 既存の評価は最終的な成功率にのみ依存する傾向がある。 本稿では,様々なタスクの形式化を支援する汎用インタフェース (Embodied Agent Interface) を提案する。
  論文  参考訳（メタデータ） (2024-10-09T17:59:00Z)
• View From Above: A Framework for Evaluating Distribution Shifts in Model Behavior [0.9043709769827437]
  大規模言語モデル(LLM)は特定のタスクを実行するよう要求される。 彼らの学習した表現が現実とどのように一致しているか。 分散シフトを体系的に評価するためのドメインに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-01T04:07:49Z)
• Sequential Stochastic Optimization in Separable Learning Environments [0.0]
  我々は,様々な種類の教師付き学習概念を包含できる,不確実性の下での逐次的意思決定問題について考察する。 これらの問題は完全に観察された状態プロセスと部分的に観察された変調プロセスを持ち、状態プロセスは観察プロセスを通してのみ変調プロセスによって影響を受ける。 我々は、この幅広い問題のクラスを部分的に観察されたマルコフ決定過程(POMDP)としてモデル化する。
  論文  参考訳（メタデータ） (2021-08-21T21:29:04Z)
• Modular Deep Reinforcement Learning for Continuous Motion Planning with Temporal Logic [59.94347858883343]
  本稿では,マルコフ決定過程(MDP)をモデルとした自律動的システムの運動計画について検討する。 LDGBA と MDP の間に組込み製品 MDP (EP-MDP) を設計することである。 モデルフリー強化学習(RL)のためのLDGBAベースの報酬形成と割引スキームは、EP-MDP状態にのみ依存する。
  論文  参考訳（メタデータ） (2021-02-24T01:11:25Z)

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。