論文の概要: When Does Risk-Controlled Throughput Forecasting Actually Control Risk? A Reproduction Study on LEO Satellite Link
- arxiv url: http://arxiv.org/abs/2611.06307v1
- Date: Wed, 04 Nov 2026 10:42:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.062139
- Title: When Does Risk-Controlled Throughput Forecasting Actually Control Risk? A Reproduction Study on LEO Satellite Link
- Title（参考訳）: リスク制御されたスループット予測は実際にリスクを制御するのか? : LEO衛星リンクの再現的研究
- Abstract要約: リスク予算のスループット予測は、LEO衛星容量のポイント予測を保守的境界に変換する。
筆者らが使用した3つのStarlinkトレースと、独立した4番目のデータセットに基づいて、BG-CFQSの状態を再現する。
- 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: Risk-budgeted throughput forecasting converts a point forecast of LEO satellite capacity into a conservative bound whose overestimation rate is held at a user-specified budget, so that admission control can act on it safely. We reproduce the state of the art, BG-CFQS, on the three Starlink traces its authors used and on an independent fourth dataset, and report four findings. First, its risk guarantee is reproducible but conditional on the calibration split: under a random split we recover every published quantity, including risk-pass on 3 of 3 datasets, but under a contiguous temporal split, which is what a deployed terminal faces, it holds on 1 of 3. Second, independent of any split, the method cannot serve a risk budget below 0.15, the low end of its candidate quantile set. On all four datasets the achieved rate is identical at budgets of 0.05, 0.10 and 0.15, overshooting by 1.4x to 3.7x at the tightest. Third, static conformal calibration cannot improve a ranking, only shift an operating point; we confirm this exactly on latency spike detection, where online calibration improves AUPRC by up to 51%. Fourth, group-conditional online recalibration splits into two mechanisms. The online part replicates: it tracks the budget within 1% from 0.05 to 0.35, where static calibration is 16 to 21% off. The group-conditional part does not: on three of four datasets, conditioning on any available covariate, including measured serving-satellite geometry, is worse than not conditioning, and our attempt to predict which datasets benefit failed. What is new here is empirical, not algorithmic: we claim the findings, not the methods.
- Abstract（参考訳）: リスク予算スループット予測は、LEO衛星容量のポイント予測を、ユーザが指定した予算で過大評価率を保持する保守的なバウンダリに変換し、入場制御を安全に行うことができる。
筆者らが使用した3つのStarlinkトレースと、独立した4番目のデータセットに基づいて、最先端のBG-CFQSを再現し、4つの結果を報告する。
まず、そのリスク保証は再現可能であるが、キャリブレーションの分割に条件付きである: ランダムな分割の下では、3つのデータセットのうち3つのデータセットのリスクパスを含む全ての公表された量を復元するが、連続的な時間分割の下では、デプロイされた端末が直面するもので、3の1に保持する。
第2に、どの分割も独立して、この手法は候補量子集合の低い端である0.15未満のリスク予算に役立てることができない。
4つのデータセットで達成されたレートは0.05、0.10、0.15の予算で同一であり、最大で1.4倍から3.7倍にオーバーシュートする。
第三に、静的共形キャリブレーションはランキングを改善することができず、操作点をシフトするだけで、オンラインキャリブレーションが最大51%向上する待ち時間スパイク検出でこれを正確に確認する。
第4に、グループ条件のオンライン再校正は2つのメカニズムに分けられる。
オンラインの部分は、1%の予算を0.05から0.35まで追跡し、静的キャリブレーションは16から21%オフになっている。
4つのデータセットのうち3つは、測定されたサーブサテライト幾何学を含む任意の共変量に対する条件付けは、条件付けよりも悪いものであり、どのデータセットの利点が失敗したかを予測しようとする試みは失敗する。
ここで新しくなったのは経験的であり、アルゴリズムではない。
関連論文リスト
- Cost-Aware Abstention for LLM-Based IT Ticket Classification [1.0152838128195467]
ITサポートチケットの自動ルーティングは、人間のトリアージよりもコストがかかる可能性がある。
我々は,コスト意識の禁忌をオフライン・コスト条件の即応性評価として評価する。
凍結キャリブレーション選択されたポリシーは、保持されたテストデータに対して常にルートと常に遅延の両方を上回ります。
論文 参考訳（メタデータ） (2026-10-22T17:58:52Z) - CALM-5G: Event-Level Conformal Risk Control for Predictive Service-Assurance Alarms [0.0]
CALM-5Gは保証層であり、予測バックボーンの上に動作し、分布のない有限サンプル保証でアラームを発行する。
サービスレベルの違反イベントをキャリブレーションし、スコア違反のオンセットがサンプルから直接キャリブレーションスキームを選択し、認定されたすべてのミスレートでアラームデューティサイクルを報告します。
論文 参考訳（メタデータ） (2026-10-13T08:40:04Z) - FSPO: Policy-Consistent Risk and Pareto-Feasible Control for Budgeted LLM RL Post-Training [22.731514214998185]
予算付きLLM RLポストトレーニングのためのフィードバック状態制御系FSPOを紹介する。
ベルマンが将来の決定に使用するのと同じフリーズコントローラを目標とする、ポリシー一貫性のあるリスク・ツー・ゴーモデルを学ぶ。
3組の訓練種子は、保持およびOOD評価の文脈的包帯に対して+2.42と+3.19の利得を与える。
論文 参考訳（メタデータ） (2026-10-02T05:19:54Z) - Available Guardrails: Certifying Selective Prediction across ML Systems [40.57629016626049]
安全, 粒度, サービストラフィックのトレードオフを明らかにする動的プログラムを開発する。
1つの計画上の候補分割を分割し、その中の1つを選択すると、このギャップの一部が回復することを示す。
相補的妥当性保存レバーは、報告ユニット間で家庭的にエラー予算を割り当て、追加のカバレッジを回復する。
論文 参考訳（メタデータ） (2026-09-18T17:36:52Z) - Subgroup Membership Inference Audits of Differentially Private Synthetic Text [28.947903737268916]
このようなリリースの最悪のプライバシー漏洩が、差分プライバシー(DP)によって拘束されているとしても、実際には残留するリスクが残っている。
本稿では,対象プールが明示的なパラメータであるサブグループ対象メンバシップ推論ゲームを定義し,32プロキシの監査でインスタンス化する。
監査は、合成リリースがサブグループのメンバシップをリークし、事前攻撃がこのリークを体系的に過小評価していることを示している。
論文 参考訳（メタデータ） (2026-09-09T07:56:24Z) - Drift Calibration in Geometric Eye Tracking Systems [34.12106856838315]
12人の被験者から163回の臨床試験を含む校正中心のデータセットを提示した。
共通空間外挿プロトコルを用いて,グローバル,ローカル,複合的な補正関数の評価を行う。
論文 参考訳（メタデータ） (2026-08-30T12:05:44Z) - Valid Per-Field Selective Risk Control for Document Extraction: Three Failure Modes, a Validity Ladder, and When Conditioning Pays [0.0]
フィールド単位の受け入れ/レビューは、ほとんどのアルファ版において選択的なリスクを持つが、信頼契約文書抽出システムを必要とする。
13,859 個の CORD レシート (49.0% ) からの真の Claude-sonnet-5 フィールドでは、3 つの障害モードを診断する。
シードピンでレグレッション付きプロシージャを備えたApache-2.0がリリースされた。
論文 参考訳（メタデータ） (2026-07-28T17:08:50Z) - When Can Conformal Risk Control Certify LLM Outputs? Bounds, Impossibility, and Adaptation for Structured Generation [0.11280931253550518]
構造化世代 (NER, 抽出, QA, 分類) にデプロイされる大規模言語モデル (LLM) には、正式な信頼性保証がない。
我々は、共形リスク制御(CRC)が構造化LLM出力を証明でき、かつ、それが証明不可能な場合に特徴付ける。
論文 参考訳（メタデータ） (2026-06-27T19:25:07Z) - Privacy Policy Enforcement Guardrails for Data-Sensitive Retrieval-Augmented Generation [40.44980598761587]
PIIフィルタは、個人を集合的に識別する非規制属性クラスタなど、RAGシステムにおけるコンテキストデータの漏洩を見逃すことが多い。
本稿では,融合したテキスト埋め込みを持つ2つの一級密度推定器と,アウト・オブ・ディストリビューション・インプットのための断続領域を用いたプライバシポリシ強化フレームワークを提案する。
提案するT3+OCSVM検出器は,安全性とバウンダリラインセーフなデータに基づいてトレーニングされ,バウンダリラインAUROCの0.93+を実現し,偽陽性を44～55ポイント削減し,ミリ秒遅れを抑える。
論文 参考訳（メタデータ） (2026-05-16T15:08:31Z) - SafeBench-Seq: A Homology-Clustered, CPU-Only Baseline for Protein Hazard Screening with Physicochemical/Composition Features and Cluster-Aware Confidence Intervals [26.81598226089532]
SafeBench-Seqはメタデータのみの再現可能なベンチマークと,すべて公開データから構築されたベースライン分類器である。
の脅威を近似するために、組み合わせたデータセットを40パーセントのIDでクラスタリングし、クラスタレベルのホールドアウトを実行します。
AUROC/AUPRCとスクリーニング操作点(TPR@1% FPR; FPR@95% TPR)の95%ブートストラップ信頼区間(n=200)を報告した。
我々は,ブライアスコア,期待誤差(ECE),15ビン,信頼性図を用いて,確率品質を定量化する。
論文 参考訳（メタデータ） (2025-12-19T12:51:31Z)
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。