論文の概要: Edit Discovery in Human-AI Interactions

• arxiv url: http://arxiv.org/abs/2610.22661v1
• Date: Thu, 15 Oct 2026 21:24:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.676834
• Title: Edit Discovery in Human-AI Interactions
• Title（参考訳）: 人間とAIのインタラクションにおける編集発見
• Abstract要約: 編集者の概念を考察する: より有能な評価プロセスで、応答を検査し、それを確認または修正することができるが、その呼び出しはコストがかかる。 重要な課題は、編集が実際に行われるかどうかを知る前に、どのインタラクションをエディタに送るかを決定することである。 この問題をEDO(Edit Discovery Optimization)として定式化し、スキップされたインタラクション間で欠落した編集機会を最小限に抑える。 EDIT (Edit Discovery via Iterative Thresholding) は、編集ラベルを選択されたインタラクションにのみ公開する部分フィードバック設定のためのオンラインアルゴリズムである。
• 参考スコア（独自算出の注目度）: 26.421666468351592
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human-AI interactions are becoming a rich source of data for improving AI systems: while many model responses are already satisfactory, others expose failures that could become valuable supervision if identified and corrected. We study this setting through the notion of an editor: a more capable evaluation process that can inspect a response and either confirm it or modify it, but whose invocation is costly. The editor may be a human expert, a stronger AI system, or the same model equipped with additional computation, context, tools, or information. The key challenge is to decide which interactions to send to the editor before knowing whether an edit will actually be made, since invoking the editor itself consumes limited resources such as expert time, inference cost, latency, or tool-use overhead. We formulate this problem as Edit Discovery Optimization (EDO), which seeks to minimize edit opportunities missed among skipped interactions while controlling unnecessary confirmations and respecting an editor-cost budget. We characterize the population-optimal policy and show that it takes the form of a cost-adjusted threshold on the posterior probability of an edit. Building on this structure, we develop EDIT (Edit Discovery via Iterative Thresholding), an online algorithm for the partial-feedback setting in which edit labels are revealed only for selected interactions. EDIT combines an adaptive edit score, a confirmation-control threshold, and a cost-aware selection rule; it satisfies the editor budget at every round and controls the average confirmation rate up to a vanishing finite-horizon term, without distributional assumptions on the interaction stream. Across four reasoning and factual question-answering benchmarks, EDIT achieves a better trade-off between editor cost, Type-I error, and Type-II error than direct LLM-based batch selection.
• Abstract（参考訳）: 人間とAIのインタラクションは、AIシステムを改善するための豊富なデータソースになりつつある。 我々は,この設定を,より有能な評価プロセスであるエディタの概念を通じて検討し,応答を検査したり,確認したり修正したりすることができるが,その実行にはコストがかかる。 エディタは、人間の専門家、より強力なAIシステム、あるいは、追加の計算、コンテキスト、ツール、情報を備えた同じモデルであってもよい。 エディタ自体の呼び出しは、専門家時間、推論コスト、レイテンシ、ツール使用オーバーヘッドといった限られたリソースを消費するためである。 我々は、不要な確認を制御し、編集コストの予算を尊重しながら、スキップされたインタラクション間で欠落した編集機会を最小限に抑える編集発見最適化(EDO)としてこの問題を定式化する。 我々は,人口最適政策を特徴付けるとともに,編集後の確率に対するコスト調整しきい値の形をとることを示す。 この構造に基づいてEDIT (Edit Discovery via Iterative Thresholding) を開発した。 EDITは、適応的な編集スコア、確認制御しきい値、コスト対応選択ルールを組み合わせることで、各ラウンドで編集者予算を満足させ、インタラクションストリームに分布的な仮定なしで、消滅する有限次元項までの平均確認率を制御する。 EDITは4つの推論と実際の質問答えベンチマークで、エディタコスト、Type-Iエラー、Type-IIエラーの間のトレードオフを、直接LLMベースのバッチ選択よりも良く達成している。

関連論文リスト

• SWE-Edit: Rethinking Code Editing for Efficient SWE-Agent [17.74253780030394]
  SWE-Editは、コード編集を2つの特別なサブエージェントに分解する。 SWE-bench Verifiedでは、SWE-Editは推論コストを17.9%削減し、解決率を2.1%改善する。
  論文  参考訳（メタデータ） (2026-04-28T20:35:09Z)
• CoEditor++: Instruction-based Visual Editing via Cognitive Reasoning [98.98349220451216]
  CoEditor++は、編集を"編集する方法"と"編集方法"に分解する、トレーニング不要のフレームワークである。 我々は,CoEditor++が編集タスクと編集タスクの両方において,最先端のパフォーマンスを実現することを示す。 以上の結果から,認知中心型画像編集の可能性が示唆された。
  論文  参考訳（メタデータ） (2026-01-31T12:20:46Z)
• O-DisCo-Edit: Object Distortion Control for Unified Realistic Video Editing [88.93410369258203]
  O-DisCo-Editは、新しいオブジェクト歪み制御(O-DisCo)を組み込んだ統合フレームワークである この信号はランダムノイズと適応ノイズに基づいて、単一の表現内に幅広い編集キューを柔軟にカプセル化する。 O-DisCo-Editは、効果的なトレーニングパラダイムによる効率的な高忠実な編集を可能にする。
  論文  参考訳（メタデータ） (2025-09-01T16:29:39Z)
• InComeS: Integrating Compression and Selection Mechanisms into LLMs for Efficient Model Editing [86.17245523439514]
  In-context Learningは、コンテキストエンコーディングを通じて編集情報を解釈することで、有望な編集方法である。 この方法は、大きな言語モデルの限られたコンテキストウィンドウによって制約される。 編集コンテキストの処理能力を向上させるフレキシブルなフレームワークであるInComeSを提案する。
  論文  参考訳（メタデータ） (2025-05-28T09:20:18Z)
• Resolving UnderEdit & OverEdit with Iterative & Neighbor-Assisted Model Editing [10.54738347540608]
  大規模言語モデル(LLM)は下流のタスクに広くデプロイされているが、リトレーニングや微調整によって知識を最新に保つことは、しばしば計算コストがかかる。 モデル編集は、ターゲットとするパラメータのサブセットを更新することで、より効率的な代替手段を提供する。 本稿では,UnderEditを緩和するために連続的な編集を行う反復的モデル編集法と,OverEditの削減のために,編集中に近隣の知識を取り入れた近隣モデル編集法との2つの補完手法を提案する。
  論文  参考訳（メタデータ） (2025-03-14T21:53:12Z)
• EVEDIT: Event-based Knowledge Editing with Deductive Editing Boundaries [69.72012539060731]
  大規模言語モデル(LLM)における効率的な知識編集(KE)の理論的枠組みを導入する。 本稿では,事象をイベント記述と組み合わせたイベントベースの知識編集タスクを提案する。 編集モデルにおける不確実性を解消するための既存の設定よりもイベントベースの編集の方が優れていることを実証的に示す。
  論文  参考訳（メタデータ） (2024-02-17T16:34:50Z)
• SWEA: Updating Factual Knowledge in Large Language Models via Subject Word Embedding Altering [17.20346072074533]
  近年のモデル編集は,大規模言語モデルの少数の知識を効率的に更新する上で有望な手法である。 本稿では,トークンレベルのマッチングによる埋め込みの編集を行うSWEAフレームワークを提案する。 SWEA$oplus$OSのCounterFactデータセットとzsREデータセット上でのSOTA(State-of-the-art)パフォーマンスを実証する。
  論文  参考訳（メタデータ） (2024-01-31T13:08:45Z)
• Memory-Based Model Editing at Scale [102.28475739907498]
  既存のモデルエディタは、編集対象のスコープを正確にモデル化するのに苦労する。 SERAC(Retrieval-Augmented Counterfactal Model)を用いた半パラメトリック編集を提案する。 SERACは、編集を明示的なメモリに格納し、必要に応じてベースモデルの予測を変更できるように、それらを推論することを学ぶ。
  論文  参考訳（メタデータ） (2022-06-13T23:40:34Z)

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。