論文の概要: Reusable LLM-Based Plans with Probabilistic Guarantees for Self-Adaptive Systems
- arxiv url: http://arxiv.org/abs/2610.38039v1
- Date: Tue, 27 Oct 2026 22:50:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-03 19:05:04.553212
- Title: Reusable LLM-Based Plans with Probabilistic Guarantees for Self-Adaptive Systems
- Title（参考訳）: 自己適応システムのための確率的保証付き再利用可能なLCM計画
- Abstract要約: 大規模な言語モデル(LLM)は、最近再利用可能なコントローラを書くために使われている。
環境のファミリーを明示的にサポートしたコントローラ再利用のためのバリデーション誘導フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 5.494780013683189
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Self-adaptive systems are designed to accommodate variants of their environment, which form a family of instances whose uncertainty is captured by probabilistic models, and must meet probabilistic requirements on each instance. Within such a family, changes in size and structure complicate the fundamental adaptation decision: whether to retain, reuse, or construct a new controller, since controllers are often synthesized for and specific to an instance. Large language models (LLMs) have recently been used to write reusable controllers, but existing approaches largely target deterministic domains, and probabilistic model checking of their output remains limited to preliminary single-instance studies. In this paper, we propose a verifier-guided framework for controller reuse with explicit support for families of environments. The framework introduces a novel combination of LLM-written controllers with probabilistic model checking to provide per-instance guarantees for probabilistic requirements. We evaluate our approach using three LLMs on three benchmarks, assessing its effectiveness and cost with respect to baseline implementations, the distribution of adaptation decisions, and the impact of individual framework components. On grid worlds, LLM-written rule lists are verified on about 90% of held-out instances, against at most 77% for the baselines, and verifying a stored rule list is 15 to 103 times faster than per-instance synthesis. Reuse serves most episodes at a small fraction of the cost of generation or per-instance synthesis, and model-checking feedback increases verified coverage over independent restarts.
- Abstract（参考訳）: 自己適応システムは環境の変種に対応するように設計されており、確率論的モデルによって不確実性が捉えられるインスタンス群を形成し、各インスタンスの確率論的要求を満たす必要がある。
このようなファミリー内では、サイズや構造の変化は基本的な適応決定を複雑にしている: コントローラはインスタンスのためにしばしば合成され、インスタンスに固有のため、新しいコントローラを維持、再利用、または構築する。
大規模言語モデル(LLM)は、最近再利用可能なコントローラを書くために使われてきたが、既存のアプローチは主に決定論的ドメインをターゲットにしており、その出力の確率的モデルチェックは予備的な単一インスタンスの研究に限られている。
本稿では,環境のファミリーを明示的にサポートしたコントローラ再利用のためのバリデーション誘導フレームワークを提案する。
このフレームワークは、LLMで記述されたコントローラと確率モデルチェックを組み合わせた新しい組み合わせを導入し、確率的要求に対するインスタンスごとの保証を提供する。
3つのベンチマークで3つのLCMを用いてアプローチを評価し、ベースライン実装の有効性とコスト、適応決定の分布、各フレームワークコンポーネントの影響を評価した。
グリッドの世界では、LCMで書かれたルールリストは、最低でも77%のベースラインに対して、保留インスタンスの約90%で検証され、格納されたルールリストは、インスタンスごとの合成よりも15～103倍高速である。
再使用は、生成コストやインスタンスごとの合成コストのごく一部で、ほとんどのエピソードに役立ち、モデルチェックのフィードバックは、独立した再起動よりも、検証されたカバレッジを増大させる。
関連論文リスト
- Statistical Detection of Positional Bias in LLM-Based Recommender Systems: Methodologies and Empirical Evidence [3.483960518158563]
大規模言語モデル(LLM)は、会話レコメンデーションシステムにおけるレコメンデーションジェネレータとして、ますます使われている。
本稿では,トップ-1 とシングルターン LLM ベースの RS における位置バイアスについて検討する。
この効果を定量化するために、置換感度、位置バイアス、強い位置バイアスという3つの相補的な指標を導入します。
論文 参考訳（メタデータ） (2026-10-27T20:48:30Z) - Towards Robust Time Series Learning via Capacity-Centric Modulation [76.23489485385964]
本稿では,CCM(Capacity-Centric Modulation)を相補的,サンプル適応正規化原理として提案する。
SACM(Sample-Adaptive Capacity Modulation)は,スペクトル空間の分散を利用して,サンプルワイドドロップアウト確率を割り当てるタスク非依存のフレームワークである。
301個の実世界のデータセット-バックボーンペアのうち、SACMは平均でMSEの予測を6.7%削減し、分類精度を3.04%改善し、ポイント調整されたF1を17.05%改善した。
論文 参考訳（メタデータ） (2026-09-30T10:51:23Z) - Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
VLM(Vision-Language Models)は、医療や金融といったプライバシに敏感な分野において大きな可能性を秘めている。
ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを組み合わせた協調アライメントフレームワークであるMoRを提案する。
MoRは、一般化とクロスクライアント適応性において、フェデレートされたアライメントベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-05-05T07:02:50Z) - Early-stopped aggregation: Adaptive inference with computational efficiency [3.173215823388563]
我々は、早期停止集約(ESA)と呼ばれる効率的なモデルアグリゲーションのための新しいフレームワークを提案する。
ESAは、アーリーストッピング基準を用いて少数の単純な値のみを計算し、これらのみを最終推論のために集約する。
3つの学習パラダイムにまたがるESAアプローチの適応的最適性について検討する。
論文 参考訳（メタデータ） (2026-04-15T20:38:37Z) - Claim Automation using Large Language Model [0.0]
LLM(Large Language Models)は汎用言語タスクにおいて高いパフォーマンスを達成しているが、規制やデータに敏感なドメインへの展開は依然として限られている。
本稿では,非構造化クレームの物語から構造化された修正-アクションレコメンデーションを生成する,ガバナンス対応言語モデリングコンポーネントを提案する。
我々は,Low-Rank Adaptation (LoRA) を用いて事前学習LLMを微調整し,クレーム処理パイプライン内の初期決定モジュールにモデルをスコーピングし,クレーム調整者の判断を高速化する。
論文 参考訳（メタデータ） (2026-02-18T20:01:12Z) - Model Correlation Detection via Random Selection Probing [62.093777777813756]
既存の類似性に基づく手法では、モデルパラメータにアクセスしたり、しきい値なしでスコアを生成する必要がある。
本稿では,モデル相関検出を統計的テストとして定式化する仮説テストフレームワークであるランダム選択探索(RSP)を紹介する。
RSPは相関の証拠を定量化する厳密なp-値を生成する。
論文 参考訳（メタデータ） (2025-09-29T01:40:26Z) - Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
生成のための教師なし共形推論フレームワークを提案する。
我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。
その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
論文 参考訳（メタデータ） (2025-09-26T23:40:47Z) - Tractable Asymmetric Verification for Large Language Models via Deterministic Replicability [0.6117371161379209]
大規模言語モデル(LLM)の展望は、動的でマルチエージェントなシステムへと急速にシフトします。
本稿では, トラクタブルな非対称な作業を実現するための検証フレームワークを提案する。
対象検定は全再生の12倍以上の速さで行うことができる。
論文 参考訳（メタデータ） (2025-09-14T03:30:06Z) - Automatic Calibration for Membership Inference Attack on Large Language Models [11.497378121062251]
我々は、ACMIA(Automatic Membership Inference Attack)と呼ばれる新しいフレームワークを紹介する。
ACMIAは調整可能な温度を校正し、確率を効果的に出力する。
提案した攻撃は、非常に効果的で、堅牢で、一般化可能である。
論文 参考訳（メタデータ） (2025-05-06T10:15:05Z) - Few-shot Steerable Alignment: Adapting Rewards and LLM Policies with Neural Processes [50.544186914115045]
大きな言語モデル(LLM)は、日々のアプリケーションにますます組み込まれています。
個人ユーザの多様な嗜好との整合性を確保することは、重要な課題となっている。
数発のステアライメントのための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-18T16:14:59Z) - LLM4Rerank: LLM-based Auto-Reranking Framework for Recommendations [51.76373105981212]
リグレードはレコメンデーションシステムにおいて重要な要素であり、レコメンデーションアルゴリズムの出力を精査する上で重要な役割を果たす。
そこで我々は,様々な格付け基準をシームレスに統合する包括的格付けフレームワークを提案する。
カスタマイズ可能な入力機構も統合されており、言語モデルのフォーカスを特定の再配置のニーズに合わせることができる。
論文 参考訳（メタデータ） (2024-06-18T09:29:18Z)
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。