論文の概要: PairAudit: Guiding Human Review with Graph Tokens under Distribution Shift

• arxiv url: http://arxiv.org/abs/2610.10260v1
• Date: Wed, 07 Oct 2026 15:35:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.996697
• Title: PairAudit: Guiding Human Review with Graph Tokens under Distribution Shift
• Title（参考訳）: PairAudit: 分散シフト下でのグラフトークンによるヒューマンレビューのガイド
• Abstract要約: 侵入検知器は、訓練中に見られなかった攻撃を確実に誤分類することができる。 ヒューマンレビューはこれらのエラーを修正することができるが、少数のケースしかチェックできない。 PairAuditを導入し、見過ごされたエラーを見つけ、固定予算でレビューを改善する。
• 参考スコア（独自算出の注目度）: 4.311393650590533
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intrusion detectors can confidently misclassify attacks that were not seen during training. Human review can correct these errors, but only a limited number of cases can be checked. Uncertainty-based review may overlook confident errors, while anomaly scores alone do not show whether changing the review plan will correct more errors. We introduce PairAudit to find overlooked errors and improve review under a fixed budget. Its graph tokens capture prediction patterns across connected nodes. Rather than building another predictor through feature aggregation, PairAudit uses unusual relational patterns to uncover potential errors in existing predictions. Human feedback then helps decide whether these findings justify changing review priorities. Experiments across security tasks show that PairAudit corrects more errors on average than uncertainty-based review, including more errors on unseen attacks. These gains account for all review costs and do not require retraining the detector.
• Abstract（参考訳）: 侵入検知器は、訓練中に見られなかった攻撃を確実に誤分類することができる。 ヒューマンレビューはこれらのエラーを修正することができるが、少数のケースしかチェックできない。 不確実性に基づくレビューは、確実なエラーを見逃す可能性があるが、異常スコアだけでは、レビュー計画の変更がより多くのエラーを修正するかどうかを示さない。 PairAuditを導入し、見過ごされたエラーを見つけ、固定予算でレビューを改善する。 グラフトークンは接続ノード間の予測パターンをキャプチャする。 PairAuditは、機能集約を通じて別の予測器を構築するのではなく、異常なリレーショナルパターンを使用して、既存の予測における潜在的なエラーを明らかにする。 人間のフィードバックは、これらの発見がレビューの優先順位の変更を正当化するかどうかを決定するのに役立つ。 セキュリティタスクにわたる実験では、PairAuditは不確実性ベースのレビューよりも平均的なエラーを修正している。 これらの利得は全てのレビューコストを考慮し、検出器を再訓練する必要はない。

関連論文リスト

• Verifier Errors in RLVR: Reward Hacking, Limits of Feedback, and Selective Control [7.90179035511465]
  不完全な検証者は 不正な反応を報い 報酬のハッキングの機会を創り出す RLVRにおける観測は,一般的には,受理誤りの検出や識別に不十分であることを示す。 我々は監査の正確性に関する追加のフィードバックを用いて修正を構築する。
  論文  参考訳（メタデータ） (2026-09-28T17:30:24Z)
• Decodable In-Context State and Model Output Across Training [0.0]
  以前の研究は、プローブがモデルエラーのコンテキスト内バインディングをデコードし、プローブ誘導ステアリングがそれらのいくつかを修復できることを確立していた。 我々は,プローブの精度,モデル出力,および公開事前学習および後チェックポイント間のステアリング応答を追従する。
  論文  参考訳（メタデータ） (2026-09-25T15:25:38Z)
• When Validation Stops Learning: Auditing Update Admission for Continual Embodied Agents [8.579680185421324]
  更新の受け入れは、エラー制御と学習機会の維持によって評価されなければならない、と我々は主張する。 標準対二項構成は、結果の不一致が稀な場合、この負担を軽減する。 学習力学のストレステストは、モデルバイアスとフィードバック選択誤差を区別する。
  論文  参考訳（メタデータ） (2026-09-09T22:25:16Z)
• Innovation-Residual Auditing of Autonomous Analysis Agents: Localization, Detection Limits, Error Control, and Identifiability [11.987280372027032]
  本論文は,誤差が全く局所化可能であるか否かを判定するスコアの選択を提供する。 次に、単一の監査された分析において、誤ったフラグ付けされた操作の割合を制御する手順を提示する。
  論文  参考訳（メタデータ） (2026-08-06T00:42:43Z)
• Precise but Uncoupled: Reviewer Precision Does Not Guarantee Critique Uptake in Multi-Agent Math Reasoning [9.345403722854543]
  私たちは、専用のレビューステージが間違った候補を正しい候補に変えるのに役立つという仮定をテストします。 我々は、このギャップがレビュアーの品質によって説明されるのか、それともプロトコルが進める次の回答に批判が変わるのかを問う。
  論文  参考訳（メタデータ） (2026-07-16T18:38:10Z)
• PredictaBoard: Benchmarking LLM Score Predictability [50.47497036981544]
  大きな言語モデル(LLM)は予測不能に失敗することが多い。 これは、安全なデプロイメントを保証する上で、大きな課題となる。 PredictaBoardは,新しいベンチマークフレームワークである。
  論文  参考訳（メタデータ） (2025-02-20T10:52:38Z)
• Revisiting Confidence Estimation: Towards Reliable Failure Prediction [53.79160907725975]
  多くの信頼度推定法は誤分類誤りを検出するのに有害である。 本稿では, 最先端の故障予測性能を示す平坦な最小値を求めることにより, 信頼性ギャップを拡大することを提案する。
  論文  参考訳（メタデータ） (2024-03-05T11:44:14Z)
• Beyond calibration: estimating the grouping loss of modern neural networks [68.8204255655161]
  適切なスコアリングルール理論は、キャリブレーション損失が与えられた場合、個々のエラーを特徴づける欠片がグループ化損失であることを示している。 視覚およびNLPにおける現代のニューラルネットワークアーキテクチャは、特に分散シフト設定においてグループ化損失を示す。
  論文  参考訳（メタデータ） (2022-10-28T07:04:20Z)
• Is the Performance of My Deep Network Too Good to Be True? A Direct Approach to Estimating the Bayes Error in Binary Classification [86.32752788233913]
  分類問題において、ベイズ誤差は、最先端の性能を持つ分類器を評価するための基準として用いられる。 我々はベイズ誤差推定器を提案する。そこでは,クラスの不確かさを示すラベルの平均値のみを評価できる。 我々の柔軟なアプローチは、弱い教師付きデータであってもベイズ誤差を推定できる。
  論文  参考訳（メタデータ） (2022-02-01T13:22:26Z)
• Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
  本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。 我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。 そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:19:09Z)

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。