論文の概要: Gaussian Process Bandits for AI System Optimization with Selectively Verified Feedback

• arxiv url: http://arxiv.org/abs/2610.17760v1
• Date: Tue, 13 Oct 2026 05:42:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.529613
• Title: Gaussian Process Bandits for AI System Optimization with Selectively Verified Feedback
• Title（参考訳）: 選択的フィードバックを用いたAIシステムの最適化のためのガウス過程帯域
• Abstract要約: 本研究は、診断が観察される前に行動が選択され、信頼されたフィードバックが未知の診断状態のセットに通知される場合の選択的検証について検討する。 我々は,信頼度と報酬分離を組み合わせ,有限時間後悔境界を確立する固定監査設計を構築した。 個別のAIタスクは、学習した選択的検証方法のエンドツーエンドの検証を確立することなく、フィードバックの修正と適合した辞書ポリシーを評価する。
• 参考スコア（独自算出の注目度）: 7.681743727485195
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gaussian process bandits exploit similarities among configurations to optimize prompts, retrieval systems, and agent workflows. In these applications, however, inexpensive model-based evaluations can disagree with trusted task outcomes. We study selective verification when an action is chosen before a diagnostic is observed and trusted feedback is informative on an unknown set of diagnostic states. A finite reliability class and a finite RKHS signal dictionary describe these two sources of uncertainty. We construct a fixed audit design that combines reliability coverage with reward separation and establish a finite-time regret bound that accounts for a hard audit budget and the rounds needed to obtain informative observations. A safe adaptive extension mixes this robust design with predictable Chernoff allocations while preserving a uniform identification floor and exact expected acquisition-cost accounting. For signed-coordinate kernels, structured and diffuse reliability classes require different audit scales despite sharing the same reward geometry. Synthetic experiments distinguish these certified designs from an adaptive posterior heuristic and GP controls. Safe adaptive allocation reduces aggregate regret relative to the fixed design under the exact dictionary, but its finite-budget error certificate is numerically loose. Conditional-feedback errors can remove the heuristic's advantage and target perturbations can reverse it. Separate AI-task replays assess feedback correction and fitted-dictionary policies without establishing end-to-end validation of a learned selective-verification method.
• Abstract（参考訳）: ガウス過程の帯域幅は、プロンプト、検索システム、エージェントワークフローを最適化するために構成間の類似性を利用する。 しかし、これらのアプリケーションでは、安価なモデルに基づく評価は信頼性の高いタスク結果と矛盾する可能性がある。 本研究は、診断が観察される前に行動が選択され、信頼されたフィードバックが未知の診断状態のセットに通知される場合の選択的検証について検討する。 有限信頼クラスと有限RKHS信号辞書は、これら2つの不確実性の源を説明する。 本研究では,信頼性カバレッジと報酬分離を組み合わせた固定監査設計を構築し,厳格な監査予算と情報観測に必要なラウンドを考慮に入れた有限期間の後悔境界を確立する。 安全な適応拡張は、このロバストな設計と予測可能なチャーノフ割り当てを混合し、均一な識別フロアと正確な買収コストの会計を保存する。 符号コーディネートカーネルの場合、構造的および拡散的信頼性クラスは、同じ報酬幾何学を共有するにもかかわらず異なる監査尺度を必要とする。 合成実験は、これらの認定された設計を適応的な後部ヒューリスティックおよびGP制御と区別する。 安全なアダプティブアロケーションは、正確な辞書の下での固定設計に対する集合的後悔を減らすが、有限予算エラー証明書は数値的に緩い。 条件フィードバックエラーはヒューリスティックの利点を排除し、ターゲットの摂動を反転させることができる。 個別のAIタスクは、学習した選択的検証方法のエンドツーエンドの検証を確立することなく、フィードバックの修正と適合した辞書ポリシーを評価する。

関連論文リスト

• Complex Problem Solving in Large Language Models: A Statistical Control Survey and Diagnostic Framework [52.886947585847594]
  大規模言語モデル(LLM)による複雑な問題解決は、しばしばより強い推論やより長い生成の問題としてフレーム化される。 しかし、早期のエラー増幅、迅速な脆さ、誤ったコミットメントを修正する失敗を説明するのは難しい。 本調査はCPSを潜在解状態上の逐次推定・決定問題と解釈する。
  論文  参考訳（メタデータ） (2026-09-17T18:28:45Z)
• FRAUDSkill: Structured Frozen-Weight Skill Optimization for Audio Anti-Fraud Detection [51.835490676337564]
  大規模な音声言語モデルは、音声を直接処理し、詐欺関連の証拠を推論することで、反詐欺検出の可能性を示してきた。 既存の微調整とプロンプトベースのアプローチは、通常、タスクの知識、制約、決定ルールをモデルパラメータや手動で保守されたプロンプトにエンコードする。 本稿では,FRAUDSkillを提案する。FRAUDSkillは,プログラムの外部レイヤ,ルート固有のポリシー,決定ルールを最適化しながら,基礎となる音声モデルに変化を持たせる構造的フリーウェイト適応フレームワークである。
  論文  参考訳（メタデータ） (2026-09-16T14:51:37Z)
• SVR: Self-Verifying Refinement via Joint Verdict-Confidence Reinforcement Learning for Adaptive Test-Time Compute [62.3458279176813]
  自己検証リファインメント(Self-Verifying Refinement)は、オラクルフリーのマルチターン強化学習フレームワークである。 自己検証を計算制御ポリシとして使用することを学ぶ。 マクロ平均精度は0.563で、平均で2.99回しか推測できない。
  論文  参考訳（メタデータ） (2026-07-30T16:20:58Z)
• Denoised Conformal Alignment for Reliable Selection of Conditional Average Treatment Effect Predictions [10.945117945979566]
  ブラックボックスCATE予測器の信頼性の選択について検討する。 疑似アウトカムから2つの堅牢なプロキシエラーを構築する。 定式化コンフォーマルアライメントを提案する。
  論文  参考訳（メタデータ） (2026-07-03T10:00:28Z)
• Correct Answers from Sound Reasoning: Verifiable Process Supervision for Language Models [94.68358825189738]
  本稿では,予測精度と推論品質を協調的に最適化する検証済み領域の学習後フレームワークを提案する。 我々は,エンジン信号に対して推論ステップを確定的に検証できる制御テストベッドであるチェスのVPSを評価する。 VPSは、推論品質を著しく向上させながら精度を保ち、勝利率エラーを最大30%削減し、一貫性をほぼ飽和状態に回復する。
  論文  参考訳（メタデータ） (2026-04-03T15:19:46Z)
• Decision-Aware Trust Signal Alignment for SOC Alert Triage [0.0]
  本稿では,SOC警告トリアージの信頼信号対応方式を提案する。 このフレームワークは、調整済みの信頼性、軽量不確実性、そしてコストに敏感な決定しきい値をコヒーレントな決定支持層に組み合わせている。 信頼度が不一致な表示によって偽陰性が大幅に増幅されるのに対し、コスト重み付き損失は決定整合信頼信号を持つモデル間での桁違いに減少することを示す。
  論文  参考訳（メタデータ） (2026-01-08T01:41:54Z)
• Trusted Uncertainty in Large Language Models: A Unified Framework for Confidence Calibration and Risk-Controlled Refusal [31.458406135473805]
  異種不確実性証拠を正当性の校正確率に変換する統一フレームワークUniCRを提案する。 UniCRは、温度スケーリングと適切なスコアリングを備えた軽量なキャリブレーションヘッドを学習する。 ショートフォームQA、実行テスト付きコード生成、検索強化ロングフォームQAの実験は、キャリブレーションメトリクスの一貫性のある改善を示している。
  論文  参考訳（メタデータ） (2025-09-01T13:14:58Z)
• Uncertainty-Driven Reliability: Selective Prediction and Trustworthy Deployment in Modern Machine Learning [1.2183405753834562]
  この論文は、不確実性推定が機械学習(ML)システムの安全性と信頼性を高める方法について考察する。 まず、モデルのトレーニング軌道は、アーキテクチャの変更や損失を伴わずに活用できるような、豊富な不確実性信号を含むことを示す。 本稿では,タスク間で動作し,深層アンサンブルのコストを回避し,最先端の選択的予測性能を実現する軽量なポストホック禁忌手法を提案する。
  論文  参考訳（メタデータ） (2025-08-11T02:33:53Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)

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。