論文の概要: When Can a Learned Design Surrogate Be Trusted in a Self-Driving Microfluidics Laboratory? An Offline Closed-Loop Framework Built and Tested on Six Public Tables

• arxiv url: http://arxiv.org/abs/2610.36395v1
• Date: Mon, 26 Oct 2026 23:21:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.448753
• Title: When Can a Learned Design Surrogate Be Trusted in a Self-Driving Microfluidics Laboratory? An Offline Closed-Loop Framework Built and Tested on Six Public Tables
• Title（参考訳）: 自律型マイクロ流体実験室で学習した設計が信頼されるのはいつか?6つのテーブル上に構築・テストされたオフラインクローズドループフレームワーク
• Abstract要約: 自動運転車研究所は、学習した設計を楽器に当てはめ、新しいターゲットドメインごとに4つの質問に答える必要がある。 それぞれの測定可能なフレームワーク(能力比、予算$k*(varepsilon)$、目標とする時間と価格の決定)を記述し、ウェット実験なしでインスタンス化する。
• 参考スコア（独自算出の注目度）: 3.8253515195155665
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-driving laboratories couple a learned design surrogate to an instrument, and on every new target domain it must answer four questions: when it can be trusted, how many target measurements it needs, which to make first, and when to stop adapting, switch models or escalate. We state a framework making each measurable (a competence ratio, a budget $k^*(\varepsilon)$, a time-to-target and a priced decision) and instantiate it without wet experiments on six public droplet-microfluidic and liposome tables as offline laboratories: 107 leave-one-group tiers whose rows are hidden labels. A sealed, pre-registered programme (two sealed negative validations and a pre-registered test on three more tables) and seven frozen closed-loop protocols, each run twice, yield 23 findings. Shift cost is stratified by shift type; no label-free statistic certifies individual candidates; random-split model-family rankings predicted neither the sealed nor the loop rankings. Warm-start residual boosting returns a surrogate to $1.25\times$ its development reference within 20 target rows in 94% of chemistry tiers (27% under a strict noise-floor reading), 90% of laboratory and 40% of device tiers, and a budget planned from the shift type on other tables is not measurably worse on a new one. In the loop, one gain survives drift and shuffled-label controls on all tiers, carried by the sparsely sampled ones: proposing at once and warm-starting on every measurement reaches a 10% target in 2.80 measurements against 3.31 for the reference, and in 5.72 against 11.35 for random proposals on 301 hard units at a 3% tolerance. No label-free acquisition rule survives the shuffled-label control, no interval-aware proposal or other model family does better, and no threshold rule on the tested diagnostics beats always continuing once escalation is priced. No wet-lab validation is claimed.
• Abstract（参考訳）: 自動運転車研究所は、学習した設計を楽器に当てはめ、新しいターゲットドメインでは、いつ信頼できるか、何つの目標測定が必要か、最初にどの測定をするか、適応をやめるか、モデルを切り替えるか、エスカレートするか、という4つの質問に答える必要があります。 我々は、各測定可能なフレームワーク(コンピテンス比、予算$k^*(\varepsilon)$、目標とする時間と価格の決定)を記述し、それを6つの公共液滴マイクロ流体およびリポソームテーブルの湿式実験なしでオフライン実験としてインスタンス化する。 封印された事前登録プログラム(2つの封印された負のバリデーションと3つのテーブルで事前登録されたテスト)と7つの冷凍クローズドループプロトコルがそれぞれ2回実行され、23の結果を得た。 シフトコストはシフトタイプによって階層化され、ラベルなし統計は個々の候補を認証しない。 ウォームスタート残余増強は、20行以内の開発基準を94%の化学層(厳密なノイズフロアの読み取りで27%)、実験室の90%と装置層の40%、他のテーブルのシフトタイプから計画される予算は、新しいものでは測定不可能なほど悪くない。 このループでは、1つのゲインがドリフトとシャッフルされたラベルコントロールを全ての層に残し、各測定で一度にプロポーズし、すべての測定でウォームスタートすると、基準の3.31に対して2.80の計測で10%の目標に達し、5.72では301ハードユニットに対して3%の許容でランダムな提案で11.35の目標に達する。 ラベルフリーの取得ルールはシャッフルラベル制御を継続せず、インターバルアウェアの提案や他のモデルファミリも改善せず、エスカレーションの価格が上がると検査された診断に対するしきい値ルールは常に継続する。 ウェットラブの検証は要求されない。

関連論文リスト

• SHIFT-JEV: Certified Abstention and Gain-Gated Continual Adaptation for LLM-Based Decision Models under Distribution Shift [0.589058313311494]
  ShiFT-Jevは、大規模言語モデルの監視、回避、継続的な適応手順である。 決定のリスクを不確実性、フォーマット、オプション整合性信号から評価する。 Qwen3-0.6Bでは70.5%の精度でリプレイ、LwF、EWCを上回り、各種を微調整する。
  論文  参考訳（メタデータ） (2026-10-25T14:38:40Z)
• Laya as a Typed Probabilistic Assessor: An Independent Reproduction and a Preregistered Study of Calibration and Selective Escalation [0.010480658740597679]
  カードはリスクを過信とみなし、測定された方向は逆であり、その方向は、自信に満ちたカスケードのどちらが失敗するかを決定する。 1つの不整合温度は、誤校正の大部分を取り除き、出荷されたオプション単位のテーブルを上回っている。 E1の再現は解析凍結に先行し、E2-E8は前向きに事前登録され、22の検査のうち20の検査はBenjamini-Hochberg FDRの下で$q5$(2 descoped)で拒絶された。
  論文  参考訳（メタデータ） (2026-09-27T18:53:26Z)
• The Price of Peeking: Anytime-Valid Leakage Detection on ML-KEM EM Traces [45.88028371034407]
  本研究は, ベットによる検査に基づく漏洩検出について検討する。 13000～20000のサンプルに対して繰り返し表示される$|t|>4.5$は2.7-12.9%の複製で誤報を発生させた。
  論文  参考訳（メタデータ） (2026-09-27T14:14:10Z)
• Decision Shifts, Lost Label Functionality, and an Inconclusive Grounding Audit in Correctness-Gated Multi-Teacher Distillation [0.0]
  決定の正しさと根拠は異なる目的である。 固定実験において, 高精度多教師蒸留法について検討した。 未ろ過蒸留と比較して, 正度重み付きアームの精度は+0.1660。
  論文  参考訳（メタデータ） (2026-09-09T04:39:56Z)
• Marginal Fidelity Does Not Establish User Simulation in Demographic Synthetic Survey Panels: Response Contracts, Support Collapse and Conditioning Failure [51.736723807086385]
  人口密着協定は、個別のシミュレーションの証拠ではなく、エスカレーション契約の証拠であり、シミュレーションされた回答者なしで得られる推定値である。 9つのアライメントされたモデルバッテリペアでは、非個人個体数のクエリの平均は6.27 MAE対12.39であり、9つの比較すべてで勝利する。
  論文  参考訳（メタデータ） (2026-09-07T10:22:22Z)
• BLADE: Distilled LLM Regularization for Calibrated Knowledge Graph Completion [5.894992157122175]
  本稿では,オフライン言語モデル判定を冷凍教師正規化器に蒸留する変分モデルBLADEを提案する。 5つのベンチマークで、BLADEは共通のランキングプロトコルの下で競争力を維持している。 また、ECE、Brier score、NLLを、バリデーション選択されたヒストグラムビニングと一致した生成型ComplEx2モデルよりも改善する。
  論文  参考訳（メタデータ） (2026-08-26T02:33:05Z)
• Phantom Gains: Auditing Self-Improvement Against a Measured Null [10.74609430659738]
  我々は、Qwen3-8Bで32ドル(約2万2000円)のLoRA自己訓練を行い、同じパイプラインを通り抜ける凍結制御を行った。 我々は7つの測定失敗を識別し、それぞれが、その制御が欠如しているときに報告された発見を逆転させる。
  論文  参考訳（メタデータ） (2026-08-20T17:30:14Z)
• Looping Is Not Reliability: State-Bound Evidence and Typed Revision Contracts for Agentic Code Repair [36.56438114281786]
  正しいパッチの発見と保持、検証、提出のギャップについて検討する。 我々はエビデンスバウンド型ループ契約を導出し、その機械的に強制可能なサブセットを参照実装でインスタンス化する。
  論文  参考訳（メタデータ） (2026-07-27T16:05:23Z)
• Catching One in Five: LLM-as-Judge Blind Spots in Production Multi-Turn Transaction Agents [45.148328075418156]
  デプロイされた多ターン食品・飲料注文エージェントについて検討し,実際の品質問題の数を測定した。 私たちの盲点分類は、失敗はランダムではなく構造化されていることを示している。 プロダクションマルチターンエージェントでは、自動判断はリグレッションフロアであり、人間のレビューの代わりにはならない。
  論文  参考訳（メタデータ） (2026-06-09T02:11:01Z)
• CoEval: Ranking Language Models for Custom Tasks Without Labeled Data or Trustworthy Benchmarks [47.027290803102666]
  アンサンブル自己評価を通じて信頼性の高いタスク固有信号を提供するオープンフレームワークであるCoEvalを提案する。 モデルのプールは教師、学生、裁判官の3つの役割すべてを通して回転し、新鮮な汚染のないベンチマークを生成する。
  論文  参考訳（メタデータ） (2026-06-02T13:41:43Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)

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。