論文の概要: Auditing Future-Memory Use in Point-in-Time Language Agents
- arxiv url: http://arxiv.org/abs/2610.18602v1
- Date: Tue, 13 Oct 2026 15:56:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.666271
- Title: Auditing Future-Memory Use in Point-in-Time Language Agents
- Title（参考訳）: ポイント・イン・タイム言語エージェントにおける将来記憶利用の検討
- Abstract要約: ポイント・イン・タイム(PIT)エージェントは、外部の証拠が歴史的なカットオフを尊重している場合でも、カットオフ後の事実を思い出すことができる。
このアクセスが48の歴史的企業比較課題における証拠収集を予測できるかどうかを検討する。
- 参考スコア（独自算出の注目度）: 0.22843885788439797
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Point-in-time (PIT) agents can recall post-cutoff facts even when their external evidence respects a historical cutoff. We examine whether this access predicts evidence gathering in 48 historical company-comparison tasks. Independent closed-book revenue probes identify the better-remembered company for each model on tasks with unequal recall, fixing the predicted direction before agent runs. We then compare paired runs with real or anonymized company identities while keeping external evidence PIT-valid. Both Qwen and DeepSeek recalled future facts, but neither supported the prespecified shift toward the better-remembered company. Qwen's four allocation estimates on 28 unequal-recall tasks were negative, with descriptive intervals spanning zero. A prospective DeepSeek replication showed an inverse pattern across all four metrics on 20 such tasks, with intervals below zero. These estimates remained negative after each company, pair, and future-fact omission, and all four post-hoc max-T-adjusted sign-flip p-values were below .05. In a prospectively specified follow-up, explicit future facts produced small estimated shifts away from the supplied-fact company, with intervals spanning zero, while final choices shifted toward it. The mechanism behind the natural inverse pattern remains unresolved. These findings support separate assessments of memory accessibility, search allocation, and final outputs alongside cutoff checks on external evidence.
- Abstract（参考訳）: ポイント・イン・タイム(PIT)エージェントは、外部の証拠が歴史的なカットオフを尊重している場合でも、カットオフ後の事実を思い出すことができる。
このアクセスが48の歴史的企業比較課題における証拠収集を予測できるかどうかを検討する。
独立したクローズドブックの収益調査では、エージェントが実行される前に予測された方向を固定し、不平等なリコールを伴うタスクにおいて、各モデルに適した企業を特定する。
次に、ペアランと実または匿名の企業IDを比較し、外部証拠PIT-validを維持します。
QwenとDeepSeekはどちらも、将来の事実を思い出したが、どちらも、前もって記憶に残る会社へのシフトを支持しなかった。
Qwenの28の不正リコールタスクに対する4つのアロケーション推定は負であり、記述間隔は0である。
予想されるDeepSeekレプリケーションでは、20のタスクで4つのメトリクスすべてに逆パターンが見られ、インターバルは0以下だった。
これらの評価は、各会社、ペア、そして将来の成果の欠落の後も陰性であり、4つのポストホックの最大-T調整された符号-フリップのp-値は .05 を下回った。
先見的に特定されたフォローアップにおいて、明確な将来の事実は、供給された製品会社から小さな推定シフトを生み出し、インターバルはゼロであり、最終的な選択はそれに向かって移動した。
自然逆パターンの背後にあるメカニズムは未解決のままである。
これらの知見は, メモリアクセシビリティ, 検索アロケーション, 最終的なアウトプットを, 外部証拠のカットオフチェックとともに別々に評価することを支援する。
関連論文リスト
- Are We Measuring Anticipation? Auditing Privileged Information in Procedural Video Evaluation [0.0]
予測モデルのみでなく,評価プロトコルによってライセンスされた推論を監査する。
プロトコルは、特権のある中間表現を供給しながら、時間的に因果関係を保つことができる。
論文 参考訳（メタデータ） (2026-10-02T09:13:22Z) - Discover, Falsify, Revise: Auditing Input-Use Claims from Source Code to Predictive Contribution in Agent-Discovered Cell Models [14.115576492673249]
AI仮想細胞は、特定の介入に対する細胞応答を予測することを目的としている。
CellAUDITを導入し、入力が参照された計算に入力できるかどうかを問うことで、入力利用請求を監査する。
論文 参考訳（メタデータ） (2026-09-23T02:07:27Z) - ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。
SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。
モデル自身の失敗から両方を得るReDraftを紹介します。
論文 参考訳（メタデータ） (2026-09-15T04:59:03Z) - RAP: Research Attention Prediction Reveals Target-Conditioned Evidence Acquisition Biases [58.92094935632493]
大規模言語モデル(LLM)は研究エージェントとしての役割がますます高まっているが、研究の関心の変化を追跡する能力は評価が難しい。
278のAI/MLフィールドと1,390のエピソードをカバーするローリングベンチマークであるResearch Attention Prediction (RAP)を紹介する。
それぞれのカットオフで、LLMエージェントは時間的に制限されたarXivコーパスを検索し、次の6ヶ月の論文の共有を8つの凍った研究方向にわたって予測する。
論文 参考訳（メタデータ） (2026-09-09T12:15:14Z) - Aegix Pulse: A Traceable Three-Stage Architecture for Personalized Content Generation and Context-Preserving Revision [4.828072294068721]
Aegix Pulseは生産指向の3段階アーキテクチャで、現在のタスクの明確化とタスクペルソナのファイナライゼーションを分離する。
96のソーシャルメディア生成タスクを用いて,事前登録された4つのクレームを評価する。
論文 参考訳（メタデータ） (2026-09-07T16:00:50Z) - Confident at the moment of action: belief miscalibration in LLM play under hidden information [0.0]
エージェントシステムは、モデル自身の主張する信頼に対するアクションをますますゲートし、信頼は行動の瞬間の正確性を追跡すると仮定する。
我々はこれを秘密裏に、王族の地位を秘密裏に、断片間で繰り返し移動できる秘密情報チェス変種でテストする。
このパターンを示すモデルは、その信念が持つゲームにまだ勝てる可能性があるため、結果のみの評価がそれを検出できない。
論文 参考訳（メタデータ） (2026-08-25T15:18:18Z) - Before the Action: Benchmarking LLMs on Prospective Hypothesis Discovery [95.44432473367836]
大規模言語モデル(LLM)は、事前に特定された質問に答える能力に優れるが、未解決の未解決段階をナビゲートする能力はほとんど測定されていない。
仮説探索(PHD)を導入し,不確定な証拠から,仮説空間を自律的に構築することをモデルに求める。
本稿では,6つの科学的・分析的領域にわたる988ケースのベンチマークであるHypoArenaと,オープンエンド仮説セットの評価フレームワークであるHypoEvalを紹介する。
論文 参考訳（メタデータ） (2026-07-17T08:56:43Z) - The Convergence Gap: Instruction-Tuned Language Models Stabilize Later in the Forward Pass [9.8812664524155]
最終的なアウトプットは、チェックポイントがその次のポイント予測にコミットしたときに隠される。
本稿では,各層の次点分布をデコードし,モデルの最終分布までの距離を測定するモデル微分診断法である収束ギャップを導入する。
論文 参考訳（メタデータ） (2026-05-08T05:45:52Z) - Belief Memory: Agent Memory Under Partial Observability [56.41506249481312]
本稿では,メモリパラダイムを観測毎に1つの結論にシフトし,その確率で複数の結論を導出するBeliefMemを提案する。
BeliefMemは決定論的パラダイムが破棄されるという不確実性を保ち、エージェントが高い信頼を持って行動することを可能にする。
LoCoMoとALFWorldベンチマークの実証的な評価は、限られたデータであっても、BeliefMemが最高の平均パフォーマンスを達成することを示している。
論文 参考訳（メタデータ） (2026-05-07T02:03:13Z) - BURN: Backdoor Unlearning via Adversarial Boundary Analysis [73.14147934175604]
Backdoor Unlearningは、モデル本来の機能を保持しながら、バックドア関連の情報を削除することを目的としている。
本稿では, 偽相関疎結合, プログレッシブデータリファインメント, モデル浄化を統合した新しい防御フレームワーク, BURNによるバックドア・アンラーニングを提案する。
論文 参考訳（メタデータ） (2025-07-14T17:13:06Z)
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。