論文の概要: Risk-reducing design and operations toolkit: 90 strategies for managing risk and uncertainty in decision problems

• arxiv url: http://arxiv.org/abs/2309.03133v1
• Date: Wed, 6 Sep 2023 16:14:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 14:47:11.851933
• Title: Risk-reducing design and operations toolkit: 90 strategies for managing risk and uncertainty in decision problems
• Title（参考訳）: リスク低減設計と運用ツールキット: 意思決定問題におけるリスクと不確実性を管理する90の戦略
• Authors: Alexander Gutfraind
• Abstract要約: 本稿では,このような戦略のカタログを開発し,それらのためのフレームワークを開発する。 高い不確実性のために難解であるように見える決定問題に対して、効率的な応答を提供する、と論じている。 次に、多目的最適化を用いた決定理論にそれらを組み込む枠組みを提案する。
• 参考スコア（独自算出の注目度）: 65.268245109828
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertainty is a pervasive challenge in decision analysis, and decision theory recognizes two classes of solutions: probabilistic models and cognitive heuristics. However, engineers, public planners and other decision-makers instead use a third class of strategies that could be called RDOT (Risk-reducing Design and Operations Toolkit). These include incorporating robustness into designs, contingency planning, and others that do not fall into the categories of probabilistic models or cognitive heuristics. Moreover, identical strategies appear in several domains and disciplines, pointing to an important shared toolkit. The focus of this paper is to develop a catalog of such strategies and develop a framework for them. The paper finds more than 90 examples of such strategies falling into six broad categories and argues that they provide an efficient response to decision problems that are seemingly intractable due to high uncertainty. It then proposes a framework to incorporate them into decision theory using multi-objective optimization. Overall, RDOT represents an overlooked class of responses to uncertainty. Because RDOT strategies do not depend on accurate forecasting or estimation, they could be applied fruitfully to certain decision problems affected by high uncertainty and make them much more tractable.
• Abstract（参考訳）: 不確実性は意思決定分析において広範囲にわたる課題であり、決定理論は確率論的モデルと認知ヒューリスティックの2つのクラスの解を認識する。 しかし、エンジニア、パブリックプランナー、その他の意思決定者はRDOT(Risk-Reducing Design and Operations Toolkit)と呼ばれる第3の戦略を使用する。 これには、設計への堅牢性の導入、偶発的計画、そして確率モデルや認知的ヒューリスティックのカテゴリに属さない他のものが含まれる。 さらに、同じ戦略がいくつかの領域や分野に現れ、重要な共有ツールキットを指し示している。 本稿の焦点は,そのような戦略のカタログを作成し,それらのフレームワークを開発することである。 これらの戦略の90以上の例を6つの幅広いカテゴリに分類し、高い不確実性のために難解と思われる決定問題に対する効率的な対応を提供すると主張している。 次に、マルチ目的最適化を用いて決定理論にそれらを組み込むフレームワークを提案する。 全体的なRDOTは、不確実性に対する見過ごされた応答のクラスを表している。 RDOT戦略は正確な予測や推定に依存しないため、高い不確実性によって影響を受ける特定の決定問題に対して実効的に適用でき、より魅力的にすることができる。

関連論文リスト

• Ensembling Portfolio Strategies for Long-Term Investments: A Distribution-Free Preference Framework for Decision-Making and Algorithms [0.0]
  本稿では、長期的富という観点から個別の戦略を上回るために、逐次的ポートフォリオのための複数の戦略をまとめることの問題点について考察する。 我々は,市場条件にかかわらず,戦略を組み合わせるための新たな意思決定枠組みを導入する。 シャープ比の小さなトレードオフがあるにもかかわらず、提案した戦略を支持する結果を示す。
  論文  参考訳（メタデータ） (2024-06-05T23:08:57Z)
• ABI Approach: Automatic Bias Identification in Decision-Making Under Risk based in an Ontology of Behavioral Economics [46.57327530703435]
  損失回避のようなバイアスによって引き起こされる損失に対する優先順位を求めるリスクは、課題を引き起こし、深刻なネガティブな結果をもたらす可能性がある。 本研究は,リスクサーチの選好を自動的に識別し,説明することにより,組織意思決定者を支援する新しいソリューションであるABIアプローチを紹介する。
  論文  参考訳（メタデータ） (2024-05-22T23:53:46Z)
• LLM as a Mastermind: A Survey of Strategic Reasoning with Large Language Models [75.89014602596673]
  戦略推論は、戦略を調整しながら、マルチエージェント設定における敵の行動を理解し、予測する必要がある。 大規模言語モデルを用いた戦略的推論に関連するスコープ,アプリケーション,方法論,評価指標について検討する。 戦略的推論を重要な認知能力として重要視し、将来の研究の方向性や潜在的な改善に関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-04-01T16:50:54Z)
• K-Level Reasoning: Establishing Higher Order Beliefs in Large Language Models for Strategic Reasoning [76.3114831562989]
  マルチエージェント環境で戦略を動的に適応させるためには、LLM(Large Language Model)エージェントが必要である。 我々は,「K-Level Reasoning with Large Language Models (K-R)」という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-02T16:07:05Z)
• StrategyLLM: Large Language Models as Strategy Generators, Executors, Optimizers, and Evaluators for Problem Solving [76.5322280307861]
  StrategyLLM は LLM が帰納的推論、特定のタスクインスタンスからの一般的な戦略の導出、帰納的推論を可能にし、これらの一般的な戦略を特定のタスク例に適用し、一般化可能で一貫した数発のプロンプトを構築する。 実験の結果、StrategyLLMは、数学推論(34.2%$rightarrow$38.8%)、コモンセンス推論(70.3%$rightarrow$72.5%)、アルゴリズム推論(73.7%$rightarrow$85.0)を含む、4つの難しいタスクにまたがる13のデータセットに対して、人間によるアノテートソリューションを必要とする競争ベースラインのCoT-SCよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-15T09:18:09Z)
• On solving decision and risk management problems subject to uncertainty [91.3755431537592]
  不確実性は意思決定とリスク管理において広範囲にわたる課題である。 本稿では,このような戦略を体系的に理解し,その適用範囲を判断し,それらをうまく活用するための枠組みを開発する。
  論文  参考訳（メタデータ） (2023-01-18T19:16:23Z)
• Strategic Decisions Survey, Taxonomy, and Future Directions from Artificial Intelligence Perspective [15.649335092388897]
  我々は,6つの基数,18のカテゴリー,54のフレームからなる意思決定フレームの体系的な分類法を開発した。 従来のモデルと比較して、確実性、不確実性、複雑性、あいまいさ、カオス、無知を扱う不合理、非合理的なフレームcをカバーしている。
  論文  参考訳（メタデータ） (2022-10-22T07:01:10Z)
• Autoencoders for strategic decision support [5.922780668675565]
  戦略的に関連する粒度のフィードバックを提供するために,オートエンコーダを導入,拡張する。 最初の実験は、専門家が意思決定に不整合であることを示し、戦略的な意思決定支援の必要性を強調している。 本研究は,人間の意思決定におけるいくつかの主要な弱点を確認し,モデルと人間の相乗効果の重要性を強調した。
  論文  参考訳（メタデータ） (2020-05-03T12:54:06Z)

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。