論文の概要: FAIRGate: Agentic Runtime Policy Selection and Verified Repair for Fairer Recommendation Delivery

• arxiv url: http://arxiv.org/abs/2610.30359v1
• Date: Wed, 21 Oct 2026 19:23:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.115759
• Title: FAIRGate: Agentic Runtime Policy Selection and Verified Repair for Fairer Recommendation Delivery
• Title（参考訳）: FAIRGate:Fairer Recommendation Deliveryのためのエージェント実行時ポリシーの選択と検証された修復
• Abstract要約: 基本ランクと最終トップKリストの間にエージェントポリシー選択層を配置するモデル依存配信制御器を提案する。 本手法は, 長期露光, アイテムグループ露光バランス, 濃度制御, 校正保護, 禁制など, 予め定義された政策ライブラリから選択する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fairness-aware recommender systems often encode one fairness objective during training or apply a fixed re-ranking rule after scoring. In deployment, however, the appropriate fairness action can vary across requests because the candidate pool, item metadata, exposure debt, user preference history, and utility budget all change at runtime. We propose FAIRGate, a model-agnostic delivery controller that places an agentic policy-selection layer between a base ranker and the final top-K list. The agent does not define fairness objectives from scratch. It chooses from a predefined policy library covering long-tail exposure, item-group exposure balance, concentration control, calibration protection, and abstention. A deterministic executor then applies the selected policy through constrained repair, and a validator accepts the result only when relevance, feasibility, metadata, calibration, and audit constraints are satisfied. The final language-model component receives only the verified audit trace and produces evidence-linked narration after the ranking decision is fixed. This design gives the agent runtime responsibility while keeping fairness enforcement measurable, bounded, and replayable.
• Abstract（参考訳）: フェアネスを意識したレコメンデータシステムは、トレーニング中に1つのフェアネス目標を符号化したり、スコアの後に一定のリランクルールを適用したりすることが多い。 しかし、デプロイメントでは、候補プール、アイテムメタデータ、露出負債、ユーザの好み履歴、ユーティリティ予算が実行時にすべて変更されるため、適切な公平性アクションはリクエストによって異なります。 本稿では,基本ランクと最終トップKリストの間にエージェントポリシー選択層を配置するモデルに依存しない配送制御系FAIRGateを提案する。 エージェントは、スクラッチから公正目標を定義しない。 ロングテール露光、アイテムグループ露光バランス、濃度制御、キャリブレーション保護、禁忌を含む事前定義された政策ライブラリから選択される。 そして、決定論的実行者は、制約された修復を通じて選択されたポリシーを適用し、妥当性、実現可能性、メタデータ、校正、監査制約を満たす場合にのみ、バリケータは結果を受け入れる。 最終言語モデルコンポーネントは、検証された監査トレースのみを受け取り、ランキング決定が確定した後、エビデンスリンクナレーションを生成する。 この設計は、公正さの強制を計測し、バウンドし、再生可能にしながら、エージェントランタイムの責任を与える。

関連論文リスト

• VEPA: Verified Evolving Formal Policy for Lifelong LLM Agent Guardrails [70.49913007464922]
  本稿では,正式なエージェントガードレールの進化を実証するためのフレームワークであるVEPAを紹介する。 VEPAは、タイプされたエージェントイベントに対する実行可能なシンボル規則の正式なポリシーとしてガードレールを表現している。 VEPAは決定論的形式政治の実施範囲を広げつつ、基準線を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-10-08T23:49:50Z)
• VeriFine: Scaling Verification for Self-Improvement in Embodied Reasoning [80.69185348729495]
  我々は,政策の共進化,訓練カリキュラム,審査を通じて検証をスケールする枠組みを導入する。 ポリシー改善ループは、繰り返し発生する障害を診断し、適応的なカリキュラムを構築し、ポリシーを最適化するためにルーリックな判断を使用する。 運転およびロボットナビゲーションタスクの実験は、ポリシーと判断能力の両方において継続的な自己改善を示す。
  論文  参考訳（メタデータ） (2026-10-06T17:50:29Z)
• Verify Claims, Not Scores: Evidence-Based Verification of Modular Agents [0.0]
  我々は,モジュールエージェントに対して,計画,行動,検査,精査を行うクレーム固有の検証監査を導入する。 エージェントをスコアする代わりに、監査はエビデンスをスコアする。
  論文  参考訳（メタデータ） (2026-10-01T09:17:47Z)
• From Migration to Calibration: Preserving Agent Capabilities across Models, Jurisdictions, and Scale [4.321360447503974]
  エージェントキャリブレーションを標準優先適応として定式化し,基本能力,技術環境,ユーザコンテキスト標準を定義する。 制限されたユーザトラジェクトリとテストを用いた自動校正ツールを今後の作業として提案する。
  論文  参考訳（メタデータ） (2026-09-28T13:31:46Z)
• CREDO: Variance-Guided Rubric Evolution for Replay-Corrected Credit Assignment [0.0]
  セマンティックルーリックを選択的に実行ベースの信用補正と組み合わせたフレームワークであるCredoを提案する。 条件付き不偏性と2つの設計選択を結合する分散分解を導出する。 そこで本稿では,PPO実装のクリッピング化とトークン正規化を両立させ,その実装を理想的なポリシ・グラディエント推定器と区別する。
  論文  参考訳（メタデータ） (2026-09-21T06:43:58Z)
• Reconciling Process Supervision with Outcome-Based Credit in Agentic Policy Optimization [13.354353071601379]
  我々は、特権付き監督を成果ベースアクションクレジットに変換するTASPOを紹介する。 3つのエージェントベンチマークで、TASPOはGRPOよりも10.6%改善し、目に見えないタスクを一般化する。
  論文  参考訳（メタデータ） (2026-08-31T16:51:50Z)
• What to Test Next: Interpretable Coverage Gap Discovery in Driving VLMs [52.50210189669399]
  視覚言語モデル(VLM)を駆動するには,操作設計領域(ODD)が定義する様々な条件のシーンを正確に理解する必要がある SliceScorerは、欠落したスライス推薦のための決定論的スコアリングルールである。 SliceNavは, 従来のスライス発見法よりも, 高リスクカバレッジギャップを効果的に表面化することを示す。
  論文  参考訳（メタデータ） (2026-06-01T03:18:01Z)
• OLIVIA: Online Learning via Inference-time Action Adaptation for Decision Making in LLM ReAct Agents [74.20327254615854]
  大規模言語モデルエージェントは、シーケンシャルな意思決定タスクを解決するために、推論、行動選択、観察をインターリーブする。 LLMエージェントの既存の推論時間適応法は、主にプロンプトや検索に依存している。 提案するOLIVIAは,ReAct型エージェントのための推論時行動適応フレームワークである。
  論文  参考訳（メタデータ） (2026-05-11T19:28:20Z)
• 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。