論文の概要: Confidence-Calibrated Inference Expansion for Evaluator-Guided Test-Time Reasoning

• arxiv url: http://arxiv.org/abs/2610.20836v1
• Date: Wed, 14 Oct 2026 19:25:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.038985
• Title: Confidence-Calibrated Inference Expansion for Evaluator-Guided Test-Time Reasoning
• Title（参考訳）: 評価器誘導試験時間推論のための信頼度校正推論拡張
• Abstract要約: 評価器誘導推論のためのコンピュータ対応3動作制御器を開発した。 ロールアウト型継続サロゲートによる回答の成功と拡張を予測して端末動作を評価する。 我々は,不明瞭な判断に対する局所的不確実性を考慮した行動特異的信頼度推定を学習し,校正する。
• 参考スコア（独自算出の注目度）: 50.42640957891911
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Evaluator-guided reasoning presents a local control problem at every step: trust the current answer, return a fallback, or spend more inference. We formulate this choice as a compute-aware three-action controller, scoring terminal actions by predicted answer success and expansion by a rollout-based continuation-success surrogate, with compute cost priced explicitly. A local action-gap analysis characterizes when score errors can change a decision, while an expected regret bound accounts for errors along the realized expansion path. Guided by this analysis, we learn and calibrate action-specific confidence estimates, with local uncertainty penalties for ambiguous decisions. On held-out width expansion and revision tasks, the controller improves observed utility over calibration-selected fixed policies while reducing normalized online compute by about 30% and 16%, respectively. Across four Qwen3-8B seeds, compute is lower than fitted Q in both settings, while utility differences are small and mixed. The results frame evaluator-guided reasoning as resource allocation under uncertainty, rather than a uniformly stronger reasoner.
• Abstract（参考訳）: 評価者誘導推論は、現在の回答を信頼するか、フォールバックを返すか、推論により多くの時間を費やすか、各ステップで局所的な制御問題を提示する。 我々は、この選択を計算対応の3アクションコントローラとして定式化し、予測応答成功とロールアウトベースの継続サロゲートによる拡張による端末動作の評価を行い、計算コストを明示的に設定する。 局所的なアクションギャップ解析は、スコアエラーが決定を変更できる場合に特徴付けられる一方、期待された後悔は、実現された拡張経路に沿ってエラーを報告する。 この分析によって我々は,不明瞭な判断に対する局所的不確実性を考慮した行動特異的信頼度推定を学習し,校正する。 ホールドアウト幅拡大とリビジョンタスクでは、正規化されたオンライン計算を約30%と16%削減し、キャリブレーション選択した固定ポリシーよりも観測ユーティリティを向上する。 4種のQwen3-8B種子に対して、計算量は両設定とも適合Qよりも低く、実用性の違いは小さく混合されている。 その結果、一様に強い推論ではなく、不確実性の下で資源配分として評価者による推論が得られた。

関連論文リスト

• JockeyBench: Evaluating LLM Agents on Horse-Racing Decision-Making [51.28684419852576]
  繰り返し発生する事象予測には、ノイズのある証拠から予測信号を抽出する必要がある。 本稿では,歴史的競馬を通じてこの問題を研究するベンチマークおよび評価プロトコルであるJockeyBenchを紹介する。
  論文  参考訳（メタデータ） (2026-10-14T04:59:45Z)
• Of Errors and Echoes: Responsibility-Aware Credit Assignment for Tool-Use Agents [55.222414159666016]
  Error-Chain-Aware Optimization (ECHO) は、責任を意識した信用割り当てフレームワークである。 ECHOは新しく導入されたエラー、継承された結果、誤り修正、そして成功した修正を区別する。 ECHOは、責任ある決定と自己引き起こしたエラーの修復に対する報酬の制約を1度に分けて、ダウンストリームの結果の共有をカウントする。
  論文  参考訳（メタデータ） (2026-10-12T00:52:30Z)
• Residual Visual Credit Optimization: Conserved Evidence Routing for Multimodal Reinforcement Learning [16.31353315674833]
  検証可能な報酬による強化学習は、マルチモーダルな推論をスケールしますが、結果の報酬は、その価値がそれを生み出した決定に対してどのように広がるべきかではなく、どれだけの軌道が価値があるかを述べています。 本稿では,トークンクレジットを保存されたルーティング問題として扱うResidual Visual Credit Optimization (RVCO)を紹介する。 制御された視覚介入は、トーケン毎のエビデンス応答をもたらし、ロバストな軌道内座標は偶発スケールを除去し、予算付きエントロピールータは、知覚依存に応じて一定の量のシーケンスユーティリティを分散する。
  論文  参考訳（メタデータ） (2026-10-04T03:56:38Z)
• Contingent Exposure Routing for Financial AI: Outage Risk and the Cost of Indivisible Decisions [2.731113456484581]
  我々は、局所的な市場影響応答行列を経由する障害コンテンツルーティングを定式化する。 プライマリエンドポイントの数が増加するにつれて,共有バックアップがオーダーワン濃度のフロアを離れることが示される。 このコントリビューションは、実市場のクラッシュ確率を見積もるものではなく、監査可能なルーティングストレステストと劣った実装分析である。
  論文  参考訳（メタデータ） (2026-09-23T06:56:27Z)
• Capability Minimization as a Safety Primitive: Risk-Aware Causal Gating for Least-Privilege LLM Agents [0.0]
  Risk-Aware Causal Gating (RACG) は、モデルの予測から行動するか、延期するかを判断するフレームワークである。 RACGは、候補行動から結果への因果経路をモデル化し、予測された対実リスクに応じて各決定をゲートする。 RACGは,非ゲートポリシーの効用の大部分を保ちながら,コストエラーを大幅に低減することを示す。
  論文  参考訳（メタデータ） (2026-06-11T20:19:35Z)
• Exploring Agentic Tool-Calling Decisions via Uncertainty-Aligned Reinforcement Learning [63.24624171679711]
  大規模言語モデル(LLM)ベースのエージェントは、しばしば最適なツール使用の決定を行う。 本研究では、不確実性分離を維持するための推進力として、不確実性定量化を報酬設計に組み込んだTRUSTを提案する。
  論文  参考訳（メタデータ） (2026-06-05T07:08:34Z)
• Auditing Marketing Budget Allocation with Hindsight Regret [6.244816393907943]
  後ろ向きの後悔に基づく振り返り監査の枠組みを提示する。 このフレームワークは、履歴ログからレジーム固有の消費-応答関数を推定する。 実際のマーケティングアロケーションログの実験は、このフレームワークが解釈可能なポストホック診断をもたらすことを示している。
  論文  参考訳（メタデータ） (2026-04-28T13:57:02Z)
• Conformal Thinking: Risk Control for Reasoning on a Compute Budget [60.65072883773352]
  大規模言語モデル(LLM)の推論により、トークンの予算が増加するにつれて、データセットレベルの精度が向上する。 我々は、予算設定問題をリスクコントロールとして再設定し、計算を最小化しながらエラー率を制限する。 我々のフレームワークは、モデルが自信のあるときに推論を停止する上位しきい値と、未解決のインスタンスを事前に停止させる新しい下位しきい値を導入する。
  論文  参考訳（メタデータ） (2026-02-03T18:17:22Z)
• Decision from Suboptimal Classifiers: Excess Risk Pre- and Post-Calibration [52.70324949884702]
  バッチ二分決定における近似的後続確率を用いた余剰リスクの定量化を行う。 我々は、再校正のみが後悔のほとんどに対処する体制と、後悔が集団的損失に支配される体制を識別する。 NLP実験では、これらの量によって、より高度なポストトレーニングの期待値が運用コストに値するかどうかが分かる。
  論文  参考訳（メタデータ） (2025-03-23T10:52:36Z)

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。