論文の概要: The Price of Scale in Proactive Memory Recall

• arxiv url: http://arxiv.org/abs/2610.34507v1
• Date: Sun, 25 Oct 2026 19:07:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.627069
• Title: The Price of Scale in Proactive Memory Recall
• Title（参考訳）: アクティブメモリリコールにおけるスケールの価格
• Abstract要約: ストアサイズが$N$で難しくなる多重テスト問題を示す。 LongMemEvalとLoCoMoのストリーミング再生では、5%の誤報に調整された類似度閾値がN48$で87-100%に達する。 偽アラームレートが$$のゲートが、約$-ln (1-)/N$の偽陽性レートで動作していることを証明する。
• 参考スコア（独自算出の注目度）: 3.6641231031729173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A long-lived assistant that brings up memories without being asked must decide at every turn whether anything in its store is worth an interruption. We show that this decision is a multiple-testing problem whose difficulty grows with the store size $N$. On streaming replays of LongMemEval and LoCoMo, a similarity threshold tuned to 5% false alarms at $N=8$ reaches 87-100% at $N=2048$, across embedding models and for explicit and implicit cues; LLM judges show the same growth from a lower base. We prove that a gate with false-alarm rate $α$ operates at a per-item false-positive rate of about $-\ln(1-α)/N$, which pins its hit rate to the far left of the single-comparison ROC curve and, under regular variation, makes it decay as a power of $N$ with an explicit constant. The resulting prediction matches the hit rate of a per-$N$ oracle threshold to within one percentage point. The analysis explains why lexical and semantic channels need thresholds growing like $\ln N$ and $\sqrt{\ln N}$, and why per-cue normalisation roughly doubles the hit rate at matched false alarms. A cue-swap conformal gate, which compares the current cue with the user's other cues on the same store, needs no labels and has a finite-sample false-alarm guarantee under exchangeability; on LongMemEval it holds false alarms near 5% at the hit rate of a label-tuned threshold. Three annotators (Fleiss' $κ=0.63$) find that about nine in ten false alarms are genuine interruptions. Code and data: https://github.com/RiverChenStillCompiling/price-of-scale
• Abstract（参考訳）: 頼まれることなく記憶を呼び起こす長寿のアシスタントは、店内の何かが中断に値するかどうかを毎回決めなければならない。 この決定は、ストアサイズが$N$で難しくなる多重テストの問題であることを示す。 LongMemEvalとLoCoMoのストリーミング再生では、類似度閾値が5%の偽アラームをN=8$で87-100%、埋め込みモデルと明示的で暗黙的なキューで調整されている。 疑似アラームレートが$α$のゲートが1石当たりの偽陽性率約$-\ln(1-α)/N$で動作していることを証明する。 結果として得られた予測は、N$/oracle閾値あたりのヒット率を1ポイント以内と一致させる。 この分析は、レキシカルチャネルとセマンティックチャネルが$\ln N$や$\sqrt{\ln N}$のような閾値の上昇を必要とする理由と、キューごとの正規化が一致した偽アラームでのヒット率をおよそ2倍にする理由を説明する。 キュースワップコンフォメーションゲートは、現在のキューと、同じストアにあるユーザの他のキューを比較するもので、ラベルは不要で、交換性の下で有限サンプルの偽アラームを保証する。 3つのアノテータ (Fleiss' $κ=0.63$) は、偽アラーム10の約9つは真の割り込みである。 コードとデータ:https://github.com/RiverChenStillCompiling/price-of-scale

関連論文リスト

• Bayesian Fixed-Confidence Best-Arm Identification with Abstention [51.253617466579335]
  本研究では,学習者が端末の推薦を控えることができるベイジアン固定自信ベストアーム識別問題について検討する。 目標誤差確率$$および棄権予算$に対して、S&C(Screen-and-Confirm)を提案し、その予測停止時間を分析する。
  論文  参考訳（メタデータ） (2026-10-21T19:45:09Z)
• Parameter-Free Interval-Dynamic Regret under Heavy-Tailed Noise [55.29259818039367]
  オンライン凸最適化を1ラウンドに1つの偏りのない下位段階と、未知の有限条件の雑音モーメントであるp$th, $1ple2$で検討する。 長さ$n$の固定区間$I$に対して、学習者は最適な全水平静的レートを含む1+log(T/n)$を達成する。
  論文  参考訳（メタデータ） (2026-09-30T21:03:03Z)
• A Convergence Framework for Deep $V$-Learning: Error Propagation and Sharp Action-Gap Bounds [0.0]
  更新エラーを、フィッティング、遷移再利用、ターゲット構築、リプレイ、アクション選択、探索の6つの残差に分解する。 次数$n-$の統計的誤差境界に対して、最適連続割り当てと、制約された最適値の係数2$以内の整数割り当てを導出する。 これらの結果から, FIFO/インターリーブされたSGDに対して, 厳密な動作スコアを有する固定水平生成-リセット近似-ERM法に対して, 期待されるポリシ-ロス一貫性が得られた。
  論文  参考訳（メタデータ） (2026-09-16T15:03:46Z)
• Threshold Behavior of ZX and ZY Surface Codes Under Circuit-Level Biased and Crosstalk Noise [0.0]
  以前の研究では、$Z$型安定化器を$Y$型安定化器に置き換えることで、コード容量レベルの劣化雑音下でのコードしきい値を大幅に改善することを示した。 本研究では、$X$型安定化器を$Y$型安定化器に置き換えることで、$ZY$曲面コードを構築し、研究する。
  論文  参考訳（メタデータ） (2026-09-09T22:34:27Z)
• Constrained Online Learning with Noisy Constraint Values [55.29259818039367]
  一般的な実現可能性の下では、我々のLEDGERアルゴリズムは、期待される損失$O(sqrt T)と期待される予算違反$O(sqrtTlog(eT))を達成します。 スレーター条件、フィードバックチャネル間の独立性、絶対的制約値境界は不要である。
  論文  参考訳（メタデータ） (2026-09-07T01:38:41Z)
• Breaking the Total Variance Barrier: Sharp Sample Complexity for Linear Heteroscedastic Bandits with Fixed Action Set [93.03556214432615]
  本稿では,学習過程を通じて動作セットをプレフィックスするヘテロセシダスティックノイズによる線形帯域問題を再検討する。 本稿では,情報ゲインを最大化するアクションを積極的に探求する,大規模アクション集合のための分散適応アルゴリズムのtexttVAEEを提案する。 音素平均依存率が避けられないことを示す固定作用集合に対して、ほぼ一致する下界を確立する。
  論文  参考訳（メタデータ） (2026-07-26T14:24:34Z)
• Partially Correlated Verifier Cascades in LLM Harnesses: Concave Log-Odds, Polynomial Reliability, and Blind-Spot Ceilings [0.5076419064097734]
  シリアル検証ゲートはLLMハーネスのコア信頼性プリミティブである。 候補の答えが返されるのは、$k$検証者が全てそれを受け入れた場合に限られる。 このノートはそのような理論を最小限にしている。
  論文  参考訳（メタデータ） (2026-07-15T14:58:37Z)
• Decoherence as Defence and the Magnitude of Noise Regularisation: A Rigorous N -Qubit Theory of Stochastic Quantum Neural Networks for Adversarially Robust Network Intrusion Detection [0.0]
  マスター方程式とそのベクトル化されたリウビリアンによる$N$-qubitの定式化を与える。 エンフェデコヒーレンス・コントラクションの定理、すなわち強度の非分極チャネルを証明します。 このロバスト性は、アタックタイムの収縮ではなく、ノイズの変形したトレーニング境界から生じることを示す。
  論文  参考訳（メタデータ） (2026-06-23T07:06:56Z)
• A Spectral Phase Diagram for Binary Few-Shot Classification: Intrinsic Dimensionality, Geometric Saturation, and Representational Diagnosis [0.0]
  飽和指数 $S(K) = operatornameerank(widehat_W(K)) / K$ は、プールされたクラス内サンプルの有効ランクとショットカウントとの比を測る。 インデックスはサポート機能だけで$O(d3)$ timeで計算可能で、テストラベルやトレーニングされた分類子を必要としない。
  論文  参考訳（メタデータ） (2026-06-12T16:46:24Z)
• Fast Rates for the Regret of Offline Reinforcement Learning [69.23654172273085]
  無限水平割引決定プロセス(MDP)における固定行動ポリシーによって生成されたオフラインデータからの強化学習の後悔について検討する。 最適品質関数 $Q*$ に対する任意の推定が与えられたとき、定義するポリシーの後悔は、$Q*$-estimate の点収束率の指数によって与えられる速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-01-31T16:17:56Z)
• Learning Near Optimal Policies with Low Inherent Bellman Error [115.16037976819331]
  エピソード強化学習における近似線形作用値関数を用いた探索問題について検討する。 我々は,検討した設定に対して最適な統計率を達成するアルゴリズムを用いて,Emphbatch仮定のみを用いて探索を行うことが可能であることを示す。
  論文  参考訳（メタデータ） (2020-02-29T02:02:40Z)

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。