論文の概要: The Verifier Is Part of the Simulator: Evidence-View Gaming in Agentic Equation Discovery

• arxiv url: http://arxiv.org/abs/2611.01334v1
• Date: Sat, 31 Oct 2026 23:02:00 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:30:06.889623
• Title: The Verifier Is Part of the Simulator: Evidence-View Gaming in Agentic Equation Discovery
• Title（参考訳）: 検証はシミュレータの一部:エージェント方程式発見におけるエビデンス・ビュー・ゲーム
• Abstract要約: 多くのエージェントパイプラインが支配方程式を探索している。 PDEBench では、検証器は代わりに、スコア選択したサマリー上の拡散を欠いた方程式を受け入れる。 われわれはこのエビデンス・ビュー・ゲーム(エビデンス・ビュー・ゲーム)と呼んでいる。
• 参考スコア（独自算出の注目度）: 1.6165168409902801
• License:
• Abstract: A growing number of agentic pipelines search for governing equations: an agent proposes laws and a verifier checks them against simulated trajectories. The verifier sees only a numerical summary: integrals against test functions on a time grid. That summary carries its own discretization error, making the verifier part of the simulator. We freeze the trajectory, candidate library, verifier and thresholds, leaving the agent one move: which permitted summary to admit. Without scores or language models, finer time grids reduce numerical discrepancies and false library rejections. On PDEBench, the verifier instead accepts equations missing diffusion on score-selected summaries. Maximizing a public score rewarding decisive verdicts and larger mismatches when rejecting the library wrongly rejects all 1,500 in-library cases; retrospectively retuning score constants on a separate bank reduces errors to 13/180 at best. We call this evidence-view gaming: reward hacking by choice of permitted summary. In single-turn forced-choice tests, Claude models rarely choose summaries giving wrong verdicts when asked to be accurate, but often do so when asked to maximize the score or report missing physics. In separate trust prompts, they often rank those harmful summaries least trustworthy. Requiring several summaries to agree reduces errors but often withholds a verdict and performs worse than a fixed fine view on PDEBench: a safeguard, not a certificate. Evidence chosen after its verdict is known cannot alone authorize a claim.
• Abstract（参考訳）: エージェントは法則を提案し、検証者はそれらをシミュレートされた軌道に対してチェックする。 検証者は数値的な要約しか見ていない: タイムグリッド上のテスト関数に対する積分。 その要約は独自の離散化誤差を持ち、シミュレータの検証部となる。 我々は、軌跡、候補ライブラリ、検証器、しきい値を凍結し、エージェントを移動させます。 スコアや言語モデルがなければ、より微細な時間グリッドは数値的な相違と偽ライブラリの拒絶を減らす。 PDEBench では、検証器は代わりに、スコア選択したサマリー上の拡散を欠いた方程式を受け入れる。 図書館を拒絶する場合、決定的な判断とより大きなミスマッチを報奨する公的なスコアを最大化することは、1500件のin-libraryケースを誤って拒否する。 われわれはこのエビデンス・ビュー・ゲーム(エビデンス・ビュー・ゲーム)と呼んでいる。 シングルターン強制選択テストでは、クロードモデルは正確であるように要求されたときに間違った判断を下すサマリーを選択することはめったにないが、スコアを最大にするか、欠落した物理学を報告するよう要求された場合、しばしばそうする。 異なる信頼のプロンプトでは、しばしば有害な要約を最も信頼できないものにランク付けする。 同意するためにいくつかの要約を必要とすると、エラーが減少するが、しばしば評決を控え、PDEBenchの固定された微視的ビューよりもパフォーマンスが悪くなります。 判決の後に選択された証拠は、請求を許可することは不可能である。

関連論文リスト

• Same Outputs, Different Scores: Auditing the Unchecked Graders of Multimodal LLM Benchmarks [0.8594140167290097]
  5つのオープンビジョン言語モデル上で8つのベンチマークの公式スコアを再現する。 我々は盲目の人間+LLM-judgeの判断を導入した。 ベンチマークでは、非準拠率と少なくとも2つのルールを報告すべきだ、と我々は主張する。
  論文  参考訳（メタデータ） (2026-11-02T16:20:07Z)
• Checking the Checkers: A Synthesis of Verifier Noise and Robustness in RLVR [0.0]
  検証可能な報酬付き強化学習(RLVR)は、大規模言語モデルの推論を改善するための主要なレシピとなっている。 この研究は、これらの検証エラーを測定し、分析し、軽減する58の研究を調査する。 我々は、検証者がどのようなエラーを犯すか、それがトレーニングにどう影響するか、どのエラーに対してどの軽減策が機能するか、そして結果が自己生成、ルーリック、および判断に基づく、検証不要な報酬にどのように拡張するかを問う。
  論文  参考訳（メタデータ） (2026-10-13T06:44:33Z)
• Do LiDAR Language Models Really Understand Spatio-temporal Relationships? [62.56505727364142]
  ベンチマークと診断プロトコルであるLiDAR-Halluを150 nusのシーンで紹介する。 提案プロトコルは,固定回答と候補コンテンツ制御,クロスシーンペアを同一のプロンプトで組み合わせるが,参照応答は逆で,リレーショナルなリコールを行う。 記録された10万の応答の分析は、集合的空間精度によって隠された失敗を明らかにする。
  論文  参考訳（メタデータ） (2026-09-21T11:59:07Z)
• From Experiments to Decisions: Reusing Evidence in Autonomous Coding Research [0.0]
  我々は400タスクのNeuroGolfキャンペーンでエビデンスをどのように再利用するかを再構築する。 数値的な反例は、オーバーブロード排除を公開する。 他のエピソードでは、失敗、不完全、そして修正されたプログラムが次に行うことを正当化する。
  論文  参考訳（メタデータ） (2026-09-10T03:48:31Z)
• Split the Labor: Separating Evidence Interpretation from Decision Aggregation [0.0]
  言語モデルに多くの情報源から結論に達するよう要求するシステムは通常、それらを1つのプロンプトに分割する。 提案する4分野のエビデンス(仮説,信頼性バケット,合理性,証明)は,両半減期を決定することを示す。 この修正はアーキテクチャよりも算術的であり、言語モデル以外のルールのクラスに適用される。
  論文  参考訳（メタデータ） (2026-08-14T17:24:55Z)
• Decoupling Generation and Selection for Budget-Constrained Faithful Summarization [5.708600866689601]
  文予算制約付き要約のためのモジュラー・ジェネレーション・アンド・セレクション・フレームワークを提案する。 事前訓練されたジェネレータは複数の候補要約を生成し、文レベルの候補に分解される。 次に、セレクタは、明確な予算の下で、関連性、事実性、冗長性をバランスさせて最終的な要約を構築する。
  論文  参考訳（メタデータ） (2026-08-04T13:36:25Z)
• 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)
• Critique to Verify: Accurate and Honest Test-Time Scaling with RL-Trained Verifiers [63.99316853136304]
  ミラー・クリティク(Mirror-Critique)は、情報的批評で検証者を訓練する枠組みである。 我々は、高品質な批判データを合成するために、小さな命令調整モデルを展開する。 結果として得られるミラー検証は、ソリューション毎に複数の批判を生成することで、候補ソリューションを評価するためにデプロイされる。
  論文  参考訳（メタデータ） (2025-09-27T06:50:24Z)
• FIRE: Fact-checking with Iterative Retrieval and Verification [63.67320352038525]
  FIREはエビデンス検索とクレーム検証を反復的に統合する新しいフレームワークである。 大きな言語モデル(LLM)のコストを平均7.6倍、検索コストを16.5倍削減しながら、パフォーマンスが若干向上している。 これらの結果から,FIREは大規模ファクトチェック業務における適用を約束していることが明らかとなった。
  論文  参考訳（メタデータ） (2024-10-17T06:44:18Z)
• Factual Error Correction for Abstractive Summaries Using Entity Retrieval [57.01193722520597]
  本稿では,エンティティ検索後処理に基づく効率的な事実誤り訂正システムRFECを提案する。 RFECは、原文と対象要約とを比較して、原文から証拠文を検索する。 次に、RFECは、エビデンス文を考慮し、要約中のエンティティレベルのエラーを検出し、エビデンス文から正確なエンティティに置換する。
  論文  参考訳（メタデータ） (2022-04-18T11:35:02Z)

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。