Buchumschlag

Optimal Stopping vs Best-of-$N$ for Inference Time Optimization

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kalayci, Yusuf, Raman, Vinod, Dughmi, Shaddin
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Adaptive Generate-Rank-Verify: Inference-Time Search with Costly Verification
von: Dughmi, Shaddin, et al.
Veröffentlicht: (2026)

Is Transductive Learning Equivalent to PAC Learning?
von: Dughmi, Shaddin, et al.
Veröffentlicht: (2024)

A Theory of Time-Sensitive Language Generation: Sparse Hallucination Beats Mode Collapse
von: Ganju, Atul, et al.
Veröffentlicht: (2026)

AdaBoN: Adaptive Best-of-N Alignment
von: Raman, Vinod, et al.
Veröffentlicht: (2025)

PAC Learning is just Bipartite Matching (Sort of)
von: Dughmi, Shaddin
Veröffentlicht: (2025)

Near-Optimal Sparsifiers for Stochastic Knapsack and Assignment Problems
von: Dughmi, Shaddin, et al.
Veröffentlicht: (2025)

Relatively Smart: A New Approach for Instance-Optimal Learning
von: Dughmi, Shaddin, et al.
Veröffentlicht: (2026)

Limitations of Stochastic Selection with Pairwise Independent Priors
von: Dughmi, Shaddin, et al.
Veröffentlicht: (2023)

Local Regularizers Are Not Transductive Learners
von: Jafar, Sky, et al.
Veröffentlicht: (2025)

Regularization and Optimal Multiclass Learning
von: Asilis, Julian, et al.
Veröffentlicht: (2023)

Representative Language Generation
von: Peale, Charlotte, et al.
Veröffentlicht: (2025)

Structured Pruning for Diverse Best-of-N Reasoning Optimization
von: Nguyen, Hieu Trung, et al.
Veröffentlicht: (2025)

TreeBoN: Enhancing Inference-Time Alignment with Speculative Tree-Search and Best-of-N Sampling
von: Qiu, Jiahao, et al.
Veröffentlicht: (2024)

LYNX: Learning Dynamic Exits for Confidence-Controlled Reasoning
von: Akgül, Ömer Faruk, et al.
Veröffentlicht: (2025)

Learning to Choose or Choosing to Learn: Best-of-N vs. Supervised Fine-Tuning for Bit String Generation
von: Somerstep, Seamus, et al.
Veröffentlicht: (2025)

Transductive Learning Is Compact
von: Asilis, Julian, et al.
Veröffentlicht: (2024)

Efficient Multi-Agent Delegated Search
von: Bechtel, Curtis, et al.
Veröffentlicht: (2024)

Inference-Aware Fine-Tuning for Best-of-N Sampling in Large Language Models
von: Chow, Yinlam, et al.
Veröffentlicht: (2024)

Inference Scaling vs Reasoning: An Empirical Analysis of Compute-Optimal LLM Problem-Solving
von: AbdElhameed, Marwan, et al.
Veröffentlicht: (2024)

Best-of-N Jailbreaking
von: Hughes, John, et al.
Veröffentlicht: (2024)

Just on Time: Token-Level Early Stopping for Diffusion Language Models
von: Kohut, Zahar, et al.
Veröffentlicht: (2026)

GenSelect: A Generative Approach to Best-of-N
von: Toshniwal, Shubham, et al.
Veröffentlicht: (2025)

FLOP-Efficient Training: Early Stopping Based on Test-Time Compute Awareness
von: Amer, Hossam, et al.
Veröffentlicht: (2026)

Proper Learnability and the Role of Unlabeled Data
von: Asilis, Julian, et al.
Veröffentlicht: (2025)

Variational Best-of-N Alignment
von: Amini, Afra, et al.
Veröffentlicht: (2024)

Majority of the Bests: Improving Best-of-N via Bootstrapping
von: Rakhsha, Amin, et al.
Veröffentlicht: (2025)

Tracking the Best Expert Privately
von: Saha, Aadirupa, et al.
Veröffentlicht: (2025)

Learning Generative Selection for Best-of-N
von: Toshniwal, Shubham, et al.
Veröffentlicht: (2026)

MarkovScale: Towards Optimal Sequential Scaling at Inference Time
von: Wang, Youkang, et al.
Veröffentlicht: (2026)

TERMINATOR: Learning Optimal Exit Points for Early Stopping in Chain-of-Thought Reasoning
von: Nagle, Alliot, et al.
Veröffentlicht: (2026)

AI-rithmetic
von: Bie, Alex, et al.
Veröffentlicht: (2026)

BOND: Aligning LLMs with Best-of-N Distillation
von: Sessa, Pier Giuseppe, et al.
Veröffentlicht: (2024)

BoNBoN Alignment for Large Language Models and the Sweetness of Best-of-n Sampling
von: Gui, Lin, et al.
Veröffentlicht: (2024)

Stopping Computation for Converged Tokens in Masked Diffusion-LM Decoding
von: Oba, Daisuke, et al.
Veröffentlicht: (2026)

Beyond Chinchilla-Optimal: Accounting for Inference in Language Model Scaling Laws
von: Sardana, Nikhil, et al.
Veröffentlicht: (2023)

The Solution for the AIGC Inference Performance Optimization Competition
von: Pan, Sishun, et al.
Veröffentlicht: (2024)

Stop-Think-AutoRegress: Language Modeling with Latent Diffusion Planning
von: Lovelace, Justin, et al.
Veröffentlicht: (2026)

Efficient Prompt Optimization Through the Lens of Best Arm Identification
von: Shi, Chengshuai, et al.
Veröffentlicht: (2024)

Correct and Optimal: the Regular Expression Inference Challenge
von: Valizadeh, Mojtaba, et al.
Veröffentlicht: (2023)

Compute Optimal Scaling of Skills: Knowledge vs Reasoning
von: Roberts, Nicholas, et al.
Veröffentlicht: (2025)