論文の概要: Fresh at Decision, Stale at Action: Routing New Information to LLM Decisions Already Made

• arxiv url: http://arxiv.org/abs/2610.18126v1
• Date: Tue, 13 Oct 2026 10:37:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.593213
• Title: Fresh at Decision, Stale at Action: Routing New Information to LLM Decisions Already Made
• Title（参考訳）: 新たな情報をLSMにルーティングする、新たな意思決定方法(動画あり)
• Abstract要約: フレッシュネス(Freshness)は、LCM決定が実行された時点で形成され、コミットするアクションは、後で実行される。 決定妥当性のタイムスタンプ理論とそれを実現する決定台帳を導入する。 ルーティングと時間的判断は、実行された時に正しく保持する。
• 参考スコア（独自算出の注目度）: 0.3004066195320147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Freshness shapes an LLM decision at the moment it is made; the action it commits to is latent, carried out later, in a changing world. We therefore introduce a timestamp theory of decision validity and a decision ledger that realises it. Six timestamps define a decision; a freshness ceiling bounds what up-to-date evidence guarantees at action time, placing the remaining risk in information published afterwards. Accuracy then factorises into two capabilities: routing, which delivers that information to affected decisions before their revision deadlines, and temporal judgment, which reads it for the time of action. The ledger is persistent state holding each decision's times, evidence and background knowledge, indexed by watch conditions written at decision time. Controlled decision streams with exact labels confirm four predictions across five LLMs, from 8B to frontier scale: freshness alone yields exactly the accuracy the ceiling predicts; models act on decisive news once it arrives, so accuracy follows routing; the ledger's index sets what routing reaches, and watch conditions reach indirect dependencies at low exposure; and the remaining errors concern when a change takes effect. Freshness makes a decision right when it is made; routing and temporal judgment keep it right when it is carried out.
• Abstract（参考訳）: フレッシュネス(Freshness)は、LCMの決定を、それが実行した時点で形成する。 したがって、決定妥当性のタイムスタンプ理論とそれを実現する決定台帳を導入する。 6つのタイムスタンプが決定を定義する。新鮮さの天井は、アクション時に保証される最新の証拠を束縛し、残りのリスクをその後に公表される情報に配置する。 次に、正確性は2つの機能に分解される。ルーティング — 修正期限前に影響のある決定にその情報を提供する。 台帳は、各決定の時間、証拠、背景知識を保持する永続的な状態であり、決定時に書かれた監視条件によってインデックス付けされる。 8Bからフロンティアスケールまでの5つのLSMにわたって、正確なラベルを持つ制御された決定ストリームが4つの予測を確認している: 鮮度だけで天井が予測した正確さが得られる; モデルが到着すると決定的なニュースに作用するので、精度はルーティングに従う; 台帳のインデックスは、どのルーティングに到達したかを設定し、条件が低露出で間接的な依存関係に達するかを設定する; 残りのエラーは、変更が影響した場合に懸念される。 ルーティングと時間的判断は、実行された時に正しく保持する。

関連論文リスト

• Ask, Relax, or Act? Evaluating Actionable Indeterminacy in LLM Preference Reasoning [51.810946382216436]
  我々は、行動可能な不確定性(actable indeterminacy)を形式化する。 オブジェクト割り当て、ミーティングスケジューリング、アパートの選択、安定したマッチングにまたがるソルバグラウンドベンチマークを構築した。
  論文  参考訳（メタデータ） (2026-10-02T10:22:42Z)
• 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)
• Approved Too Late: Verdict Staleness in LLM-Guarded Self-Adaptive Systems [0.0]
  本報告では, ガードレールの判定が使用時に有効であるか否かについて検討する。 私たちは異なる質問に答える3つの量を見分ける。 すべての承認はチェック時に正しいものでなければならないし、使用時には有効でなければならない。
  論文  参考訳（メタデータ） (2026-08-26T18:39:10Z)
• ORBITER: Conflict-Aware Decision-Making for Agentic Last-Mile Delivery [10.425137138380279]
  ラストマイルデリバリは、複雑な時間的相関をモデル化しながら、クーリエで動的に到着する注文を処理することを目的としている。 最近の学習ベースの手法では、注文間の依存関係をモデル化して、サービスシークエンスを予測するが、次の次の決定は説明できないままである。 最終マイル配送における次の順序決定のためのエージェント・オーダー・アービタであるORBITERを紹介する。
  論文  参考訳（メタデータ） (2026-08-19T12:13:03Z)
• DecisionFlow: Advancing Large Language Model as Principled Decision Maker [49.088778182807395]
  DecisionFlowは、モデルにアクション、属性、制約の構造化された表現を推論するように誘導する、新しい決定モデリングフレームワークである。 プロンプトから直接回答を予測するのではなく、DecisionFlowは意味論的に根拠のある決定空間を構築し、潜在ユーティリティ関数を推論する。 実験の結果,DecisionFlowの精度は,強いプロンプトベースラインよりも最大30%向上した。
  論文  参考訳（メタデータ） (2025-05-27T16:23:53Z)
• STRUX: An LLM for Decision-Making with Structured Explanations [17.518955158367305]
  STRUXと呼ばれる新しいフレームワークを導入し、構造化された説明を提供することでLCMの意思決定を強化する。 STRUXは、キーファクトの簡潔なテーブルに長い情報を蒸留することから始まる。 次に、これらの事実のどれが重要かを決定するために一連の自己回帰ステップを使用し、特定の決定に関して、それらが好ましいか悪いかのどちらかに分類する。
  論文  参考訳（メタデータ） (2024-10-16T14:01:22Z)
• Enhancing Language Model Rationality with Bi-Directional Deliberation Reasoning [73.77288647011295]
  本稿では,BI-Directional Deliberation Reasoning (BIDDER)を導入し,言語モデルの意思決定合理性を高める。 私たちのアプローチには3つの重要なプロセスがあります。 歴史的データから、意思決定過程における不確実な情報を表すために隠された国家を推定すること。 隠れた状態を使って将来の潜在的な状態と潜在的な結果を予測する。 歴史的情報(過去コンテキスト)と長期的結果(未来コンテキスト)を統合することで、推論を知らせる。
  論文  参考訳（メタデータ） (2024-07-08T16:48:48Z)
• Bridging The Gap: Entailment Fused-T5 for Open-retrieval Conversational Machine Reading Comprehension [48.529698533726496]
  オープン検索型会話機械読解は実生活における対話シーンをシミュレートする。 最近の研究では、意思決定と質問生成の間の情報ギャップを減らす方法が検討されている。 本稿では,意思決定と生成の間の情報ギャップを埋めるため,EFT(Entailment Fused-T5)と呼ばれる新しい一段階のエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-19T10:38:30Z)
• Speed, Quality, and the Optimal Timing of Complex Decisions: Field Evidence [0.0]
  ムーブ・バイ・ムーブデータは、決定時間と意思決定品質に関する極めて詳細な情報を提供する。 結果は、より高速な決定がより良いパフォーマンスに結びついていることを明らかにします。
  論文  参考訳（メタデータ） (2022-01-26T08:29:05Z)
• Inverse Active Sensing: Modeling and Understanding Timely Decision-Making [111.07204912245841]
  我々は,内因性,文脈依存型時間圧下でのエビデンスに基づく意思決定の一般的な設定のための枠組みを開発する。 意思決定戦略において、サプライズ、サスペンス、最適性の直感的な概念をモデル化する方法を実証する。
  論文  参考訳（メタデータ） (2020-06-25T02:30:45Z)

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。