Buchumschlag

All Leaks Count, Some Count More: Interpretable Temporal Contamination Detection and Mitigation in LLM Backtesting

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Zeyu, Chen, Ryan, Stadie, Bradly C.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

TEMPO: Temporal Enforcement via Mode-Separated Policy Optimization for Trustworthy LLM Backtesting
von: Zhang, Zeyu, et al.
Veröffentlicht: (2026)

Evolutionary System Prompt Learning for Reinforcement Learning in LLMs
von: Zhang, Lunjun, et al.
Veröffentlicht: (2026)

The Gradient of Algebraic Model Counting
von: Maene, Jaron, et al.
Veröffentlicht: (2025)

CountsDiff: A Diffusion Model on the Natural Numbers for Generation and Imputation of Count-Based Data
von: Soatto, Renzo G., et al.
Veröffentlicht: (2026)

TACNET: Temporal Audio Source Counting Network
von: Ahmadnejad, Amirreza, et al.
Veröffentlicht: (2023)

RADAR: Mechanistic Pathways for Detecting Data Contamination in LLM Evaluation
von: Kattamuri, Ashish, et al.
Veröffentlicht: (2025)

Counting Still Counts: Understanding Neural Complex Query Answering Through Query Relaxation
von: Brunink, Yannick, et al.
Veröffentlicht: (2025)

Incompressible Knowledge Probes: Estimating Black-Box LLM Parameter Counts via Factual Capacity
von: Li, Bojie
Veröffentlicht: (2026)

State Contamination in Memory-Augmented LLM Agents
von: Wang, Yian, et al.
Veröffentlicht: (2026)

Summoning the Oracle to Slay It: Mitigating Look-Ahead Bias in Financial Backtesting with Large Language Models
von: Li, Weixian Waylon, et al.
Veröffentlicht: (2026)

Counting Hours, Counting Losses: The Toll of Unpredictable Work Schedules on Financial Security
von: Nokhiz, Pegah, et al.
Veröffentlicht: (2025)

Wonderful Team: Zero-Shot Physical Task Planning with Visual LLMs
von: Wang, Zidan, et al.
Veröffentlicht: (2024)

Counting Clues: A Lightweight Probabilistic Baseline Can Match an LLM
von: Jia, Furong, et al.
Veröffentlicht: (2025)

CountCLIP -- [Re] Teaching CLIP to Count to Ten
von: Mestha, Harshvardhan, et al.
Veröffentlicht: (2024)

Do Attention Heads Compete or Cooperate during Counting?
von: Zsámboki, Pál, et al.
Veröffentlicht: (2025)

Every Response Counts: Quantifying Uncertainty of LLM-based Multi-Agent Systems through Tensor Decomposition
von: Chen, Tiejin, et al.
Veröffentlicht: (2026)

Explainable Fuzzy GNNs for Leak Detection in Water Distribution Networks
von: Khaled, Qusai, et al.
Veröffentlicht: (2026)

Online Detection of Anomalies in Temporal Knowledge Graphs with Interpretability
von: Zhang, Jiasheng, et al.
Veröffentlicht: (2024)

IR$^3$: Contrastive Inverse Reinforcement Learning for Interpretable Detection and Mitigation of Reward Hacking
von: Beigi, Mohammad, et al.
Veröffentlicht: (2026)

The Emperor's New Clothes in Benchmarking? A Rigorous Examination of Mitigation Strategies for LLM Benchmark Data Contamination
von: Sun, Yifan, et al.
Veröffentlicht: (2025)

OVR: A Dataset for Open Vocabulary Temporal Repetition Counting in Videos
von: Dwibedi, Debidatta, et al.
Veröffentlicht: (2024)

VDSC: Enhancing Exploration Timing with Value Discrepancy and State Counts
von: Captari, Marius, et al.
Veröffentlicht: (2024)

Grid-Mapping Pseudo-Count Constraint for Offline Reinforcement Learning
von: Shen, Yi, et al.
Veröffentlicht: (2024)

Beyond Parameter Count: Implicit Bias in Soft Mixture of Experts
von: Chung, Youngseog, et al.
Veröffentlicht: (2024)

Every Rollout Counts: Optimal Resource Allocation for Efficient Test-Time Scaling
von: Wang, Xinglin, et al.
Veröffentlicht: (2025)

When Can Transformers Count to n?
von: Yehudai, Gilad, et al.
Veröffentlicht: (2024)

When Tables Leak: Attacking String Memorization in LLM-Based Tabular Data Generation
von: Ward, Joshua, et al.
Veröffentlicht: (2025)

Arithmetic Transformers Can Length-Generalize in Both Operand Length and Count
von: Cho, Hanseul, et al.
Veröffentlicht: (2024)

Contextual Counting: A Mechanistic Study of Transformers on a Quantitative Task
von: Golkar, Siavash, et al.
Veröffentlicht: (2024)

A Short Note on Evaluating RepNet for Temporal Repetition Counting in Videos
von: Dwibedi, Debidatta, et al.
Veröffentlicht: (2024)

Every FLOP Counts: Scaling a 300B Mixture-of-Experts LING LLM without Premium GPUs
von: Ling Team, et al.
Veröffentlicht: (2025)

Anomaly Detection with Adaptive and Aggressive Rejection for Contaminated Training Data
von: Lee, Jungi, et al.
Veröffentlicht: (2025)

Structured Temporal Causality for Interpretable Multivariate Time Series Anomaly Detection
von: Cho, Dongchan, et al.
Veröffentlicht: (2025)

Every Character Counts: From Vulnerability to Defense in Phishing Detection
von: Chiper, Maria, et al.
Veröffentlicht: (2025)

All AI Models are Wrong, but Some are Optimal
von: Anand, Akhil S, et al.
Veröffentlicht: (2025)

Make Every Move Count: LLM-based High-Quality RTL Code Generation Using MCTS
von: DeLorenzo, Matthew, et al.
Veröffentlicht: (2024)

Can You Count to Nine? A Human Evaluation Benchmark for Counting Limits in Modern Text-to-Video Models
von: Guo, Xuyang, et al.
Veröffentlicht: (2025)

More Agents Is All You Need
von: Li, Junyou, et al.
Veröffentlicht: (2024)

D2 Actor Critic: Diffusion Actor Meets Distributional Critic
von: Zhang, Lunjun, et al.
Veröffentlicht: (2025)

Parallel Sampling via Counting
von: Anari, Nima, et al.
Veröffentlicht: (2024)