論文の概要: When Does Design Thinking Work? A Convergence Theorem for the Iterate-Test Core

• arxiv url: http://arxiv.org/abs/2611.03034v1
• Date: Mon, 02 Nov 2026 12:31:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 13:44:17.786242
• Title: When Does Design Thinking Work? A Convergence Theorem for the Iterate-Test Core
• Title（参考訳）: デザイン思考はいつうまくいくか? 反復テストコアの収束理論
• Abstract要約: デザインは、アイデア、プロトタイピング、テストの反復ループとして教えられているが、そのようなループがイノベーションの結果を改善する必要がある条件は、まだ特定されていないままである。 有限フレーミング、局所的なアイデア、持続不可能な発見率、不偏繰り返しテスト、テストプロトタイプの保持という5つの条件下で、チームが最もよく考えているプロトタイプが、ほぼ確実に局所的な最適に収束していることを証明する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Design thinking is widely taught as an iterative loop of ideation, prototyping, and testing, yet conditions under which such a loop must improve innovation outcomes remain unspecified. Taking problem framing as given, we formalize the iterate-test core as search over a finite prototype space whose utility is learned through noisy evaluations. We prove that the prototype a team believes to be best converges almost surely to a local optimum under five conditions: finite framing, local ideation, non-summable discovery rates, unbiased repeated testing, and retention of tested prototypes. Bounded test bias or criteria drift degrades the guarantee by a bounded amount, and multiple stakeholders yield convergence to a locally Pareto-optimal set. Finite-horizon simulations across three landscape classes (additive valuation, NK rugged landscapes, and clustered modular architectures) show that asymptotic limits are rarely reached in practice. Teams face an optimizer's curse, overestimating their chosen concept by 4-8% and frequently discarding superior prototypes. Testing every prototype once proves to be the worst allocation; optimal performance requires building one to three prototypes per five tests and repeatedly re-testing leaders. Pre-screening concepts yields greater performance gains than tuning testing policies.
• Abstract（参考訳）: デザイン思考は、アイデア、プロトタイピング、テストの反復ループとして広く教えられているが、そのようなループがイノベーションの結果を改善する必要がある条件は、まだ特定されていないままである。 与えられた問題フレーミングを考慮し、ノイズ評価により実用性が学習される有限プロトタイプ空間上の探索として、繰り返しテストコアを形式化する。 有限フレーミング、局所的な考え、持続不可能な発見率、不偏繰り返しテスト、テストプロトタイプの保持という5つの条件下で、チームが最もよく考えているプロトタイプが、ほぼ確実に局所的な最適に収束していることを証明する。 境界テストバイアスまたは基準ドリフトは、保証を有界量で劣化させ、複数の利害関係者が局所的なパレート最適集合に収束する。 3つのランドスケープクラス(アダプティブ・アセスメント、NK粗いランドスケープ、クラスタ化されたモジュラー・アーキテクチャ)にわたる有限ホライゾンシミュレーションは、漸近的限界が実際に到達されることは滅多にないことを示している。 チームはオプティマイザの呪いに直面し、選択したコンセプトを4～8%過大評価し、優れたプロトタイプを頻繁に破棄する。 最適なパフォーマンスには、5つのテストで1～3つのプロトタイプを構築し、何度もリーダーを再テストする必要があります。 事前スクリーニングの概念は、テストポリシーのチューニングよりもパフォーマンスが向上する。

関連論文リスト

• TestJack: Should you trust the results in coding benchmarks? Agentic Coding Benchmarks Auditing via Evaluator Evolution [56.4111102268819]
  大規模言語モデル(LLM)エージェントは、ソフトウェア工学を急速に再構築している。 しかし、既存のベンチマークのほとんどすべてが、同じ数十年前の基準に依存している。 固定テストを超えてパッチを評価するスケーラブルなフレームワークであるTestJackを紹介します。
  論文  参考訳（メタデータ） (2026-10-07T07:58:04Z)
• Revisiting Prototype Rehearsal for Exemplar-Free Continual Learning: Manifold-Aware Boundary Sampling with Adaptive Class-Balanced Loss [6.63181149575886]
  Exemplar-free class-incremental learning (EFCIL) は、生データを保存することなく、時間とともに新しいクラスを取得することを目的としている。 歴史的に、プロトタイプのリハーサルは破滅的な忘れを減らそうとする一般的な戦略であった。 進化する特徴空間のプロトタイプを明確に認識する最近のドリフト補償法は、プロトタイプベースのリハーサルを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-06-04T04:27:01Z)
• LiveMathematicianBench: A Live Benchmark for Mathematician-Level Reasoning with Proof Sketches [61.30693283718321]
  研究レベルの数学的推論のための動的多重選択ベンチマークであるLiveMathematicianBenchを提案する。 新たに発表された定理で評価を基礎づけることで、記憶されたパターンを超えた現実的なテストベッドを提供する。 このパイプラインは、高レベルな証明戦略を使用して、妥当だが無効な解選択を構築する。
  論文  参考訳（メタデータ） (2026-04-02T08:22:17Z)
• On the Limits of Test-Time Compute: Sequential Reward Filtering for Better Inference [71.09125259964684]
  テスト時計算(TTC)は、大規模言語モデル(LLM)の拡張のパラダイムとして、ますます顕著になっている。 本稿では,高次世代のみを文脈に選択的に組み込む単純な手順である報酬フィルタシーケンシャル推論について検討する。 理論的には、報酬フィルタによる逐次推論は標準TTCパラダイムよりも厳密な保証が得られることを示す。
  論文  参考訳（メタデータ） (2025-12-04T08:21:33Z)
• Test3R: Learning to Reconstruct 3D at Test Time [58.0912500917036]
  Test3Rは驚くほどシンプルなテストタイム学習技術で、幾何学的精度を大幅に向上させる。 本手法は従来の3次元再構成法や多視点深度推定法よりも優れていた。
  論文  参考訳（メタデータ） (2025-06-16T17:56:22Z)
• Sample, Don't Search: Rethinking Test-Time Alignment for Language Models [55.2480439325792]
  新しいテストタイムアライメントアプローチであるQAlignを紹介します。 テスト時間計算をスケールする際、QAlignは各プロンプトの最適配向分布からのサンプリングに収束する。 マルコフ連鎖モンテカルロのテキスト生成における最近の進歩を取り入れることで、基礎となるモデルを変更したり、ロジットアクセスを必要とせずに、より良い整合出力を可能にする。
  論文  参考訳（メタデータ） (2025-04-04T00:41:40Z)
• Deep anytime-valid hypothesis testing [29.273915933729057]
  非パラメトリックなテスト問題に対する強力なシーケンシャルな仮説テストを構築するための一般的なフレームワークを提案する。 テスト・バイ・ベッティング・フレームワーク内で、機械学習モデルの表現能力を活用するための原則的なアプローチを開発する。 合成および実世界のデータセットに関する実証的な結果は、我々の一般的なフレームワークを用いてインスタンス化されたテストが、特殊なベースラインと競合することを示している。
  論文  参考訳（メタデータ） (2023-10-30T09:46:19Z)
• Steering Prototypes with Prompt-tuning for Rehearsal-free Continual Learning [47.83442130744575]
  代表的なクラス埋め込みとしてのプロトタイプは、記憶の保存と破滅的な忘れの緩和に利点をもたらす。 本研究では,Contrastive Prototypeal Prompt (CPP) アプローチを紹介する。 CPPは最先端の手法よりも4%から6%向上している。
  論文  参考訳（メタデータ） (2023-03-16T16:23:13Z)
• Prioritized Variable-length Test Cases Generation for Finite State Machines [0.09786690381850353]
  モデルベーステスト(MBT)は、システムアンダーテストの一部が有限状態マシン(FSM)の特性を持つ場合のテストに有効な手法である。 本稿では,これらの要件をすべて満たしたテスト生成戦略を提案する。 本論文では,FSMの適用状況に応じて,機能的および非機能的ソフトウェア要件のテストにも適用可能である。
  論文  参考訳（メタデータ） (2022-03-17T20:16:45Z)
• Triangulation candidates for Bayesian optimization [0.3222802562733786]
  ベイズ最適化 (Bayesian optimization) は、入力-出力関係を適切なフレキシブル回帰モデルで理想化する設計形式である。 本稿では,デラウネー三角測量に基づく提案手法を提案する。
  論文  参考訳（メタデータ） (2021-12-14T15:13:31Z)
• On the One-sided Convergence of Adam-type Algorithms in Non-convex Non-concave Min-max Optimization [43.504548777955854]
  本稿では,一方のMVI条件下での分極最適化問題において,アダム型アルゴリズムが一方の1次定常点に収束することを示す。 また,この片側MVI条件が標準GANに対して満たされていることを実証的に検証した。
  論文  参考訳（メタデータ） (2021-09-29T06:38:39Z)

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。