論文の概要: Scoped Semantic Invariance as a Foundation for LLM Reliability

• arxiv url: http://arxiv.org/abs/2610.33267v1
• Date: Fri, 23 Oct 2026 20:26:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.287082
• Title: Scoped Semantic Invariance as a Foundation for LLM Reliability
• Title（参考訳）: LLM信頼性の基礎としてのスコープ意味不変性
• Abstract要約: クエリの同値クラスに対する意味的不変性として一貫性を定式化する。 我々は知識グラフ(KG)を用いてこのフレームワークを運用する。 不整合はランダムではなく構造化されており、局所的なホットスポット部分グラフに集中していることを示す。
• 参考スコア（独自算出の注目度）: 12.57773014704521
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: LLMs often answer semantically equivalent queries inconsistently, even when the underlying facts are known. We formalize consistency as semantic invariance over equivalence classes of queries and show that invariance under arbitrary meaning-preserving transformations is undecidable in general. This motivates scoped semantic invariance, where model behavior is evaluated relative to bounded semantic domains. We operationalize this framework using knowledge graphs (KGs), which act as explicit semantic control structures defining local semantic constraints and grounding contexts. Across the MITRE D3FEND ontology and eight Wikidata- derived domains, we show that inconsistencies are structured rather than random, concentrating in localized hotspot subgraphs organized around recurring TREE, STAR, and CYCLE patterns that remain stable across models and domains. We further show that selective graph grounding improves correctness and cross-model consistency, while indiscriminate grounding introduces regressions. A layered grounding strategy achieves the strongest monotonicity profile, preserving correct knowledge while reducing inconsistency. Finally, we show that hotspot structures discovered from simple consistency probes transfer to more realistic compositional reasoning tasks.
• Abstract（参考訳）: LLMは、たとえ根底にある事実が分かっているとしても、意味的に等価なクエリに不一致で答えることが多い。 クエリの同値類に対する意味的不変性として一貫性を定式化し、任意の意味保存変換の下での不変性は一般に決定不可能であることを示す。 これは、モデル動作を境界セマンティックドメインに対して評価するスコープ付きセマンティック不変性を動機付けている。 我々はこのフレームワークを知識グラフ(KGs)を用いて運用し、局所的な意味制約と接地コンテキストを定義する明示的な意味制御構造として機能する。 MITREのD3FENDオントロジーと8つのWikidata由来のドメイン全体で、不整合はランダムではなく構造化されており、TREE、STAR、CYCLEパターンを中心に編成された局所化ホットスポットサブグラフに集中していることが示される。 さらに、選択的なグラフの接地により精度が向上し、モデル間の整合性が向上し、不特定な接地が回帰をもたらすことを示す。 階層的な接地戦略は最強の単調性プロファイルを達成し、矛盾を減らしながら正しい知識を保った。 最後に、単純な一貫性プローブから発見されたホットスポット構造が、より現実的な構成的推論タスクに遷移することを示す。

関連論文リスト

• Robust Active Learning for Few-Shot Example Selection in Text-to-SQL [0.0]
  サンプル検索は大規模言語モデルの基盤となる主要なパラダイムである。 我々はこれらの例のアクティブな選択を制約付き実験設計問題として定式化する。 標準的なアクティブな学習フレームワークとは異なり、私たちの設定には3つの重要な課題があります。
  論文  参考訳（メタデータ） (2026-06-08T19:56:24Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• Improving LLM Reasoning with Homophily-aware Structural and Semantic Text-Attributed Graph Compression [55.51959317490934]
  大規模言語モデル(LLM)は、テキスト分散グラフ(TAG)理解において有望な能力を示している。 グラフは本来、構造情報や意味情報を豊富に含むものであり、それらの有効利用はLLMの推論性能の潜在的な利益を解放する可能性があると論じる。 グラフホモフィリーの活用を目的としたフレームワーク LLMs (HS2C) のホモフィリー対応構造とセマンティック圧縮を提案する。
  論文  参考訳（メタデータ） (2026-01-13T03:35:18Z)
• Introspection in Learned Semantic Scene Graph Localisation [7.222321327403328]
  本研究は,セマンティックスが自己監督型コントラスト型セマンティックローカライゼーションフレームワークにおいて,セマンティックスがローカライズ性能とロバスト性にどのように影響するかを考察する。 本研究では, モデルが環境騒音をフィルタし, 特異なランドマークを日常的に乱雑に優先するかどうかを調査するために, 徹底的なポストホックイントロスペクション分析を行う。 以上の結果から,このモデルでは位置定義に関する意味論的に健全な関係を学習し,視覚的・構造的な難易度で説明可能な登録を可能にすることが示唆された。
  論文  参考訳（メタデータ） (2025-10-08T14:21:45Z)
• PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
  PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。 本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
  論文  参考訳（メタデータ） (2024-09-24T07:57:21Z)
• Any-Way Meta Learning [27.16222034423108]
  固定基数制約からモデルを解放する革新的なモデルトレーニングアプローチである「任意の方向」学習パラダイムを導入する。 驚くべきことに、このモデルは単に一致するだけでなく、性能、収束速度、安定性の点で従来の固定経路モデルを上回ることがしばしばある。
  論文  参考訳（メタデータ） (2024-01-10T12:00:53Z)
• Chaos to Order: A Label Propagation Perspective on Source-Free Domain Adaptation [8.27771856472078]
  我々は、ソースフリードメイン適応(SFDA)のための新しいアプローチであるChaos to Order(CtO)を提示する。 CtOは、セマンティックな信頼性を制約し、ターゲットのサブポピュレーション間でラベル情報を伝達する。 実証的な証拠は、CtOが3つの公開ベンチマークで芸術の状態を上回っていることを示している。
  論文  参考訳（メタデータ） (2023-01-20T03:39:35Z)
• Learning Conditional Invariance through Cycle Consistency [60.85059977904014]
  本稿では,データセットの変動の有意義な要因と独立な要因を識別する新しい手法を提案する。 提案手法は,対象プロパティと残りの入力情報に対する2つの別個の潜在部分空間を含む。 我々は,より意味のある因子を同定し,よりスペーサーや解釈可能なモデルに導く合成および分子データについて実証する。
  論文  参考訳（メタデータ） (2021-11-25T17:33:12Z)
• Uncertainty-Aware Consistency Regularization for Cross-Domain Semantic Segmentation [63.75774438196315]
  Unsupervised Domain adapt (UDA) は、未ラベルのデータのみを持つ新しいターゲットドメインにソースドメインの既存のモデルを適用することを目的としている。 既存のほとんどの手法は、エラーを起こしやすい識別器ネットワークまたは不合理な教師モデルから生じる顕著な負の伝達に悩まされている。 ドメイン間セマンティックセグメンテーションのための不確実性を考慮した整合性正規化手法を提案する。
  論文  参考訳（メタデータ） (2020-04-19T15:30:26Z)

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。