論文の概要: Consensus in Motion: A Case of Dynamic Rationality of Sequential Learning in Probability Aggregation

• arxiv url: http://arxiv.org/abs/2504.14624v1
• Date: Sun, 20 Apr 2025 14:04:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-29 23:19:48.235553
• Title: Consensus in Motion: A Case of Dynamic Rationality of Sequential Learning in Probability Aggregation
• Title（参考訳）: 運動のコンセンサス:確率集約におけるシークエンシャルラーニングの動的連帯性の事例
• Authors: Polina Gordienko, Christoph Jansen, Thomas Augustin, Martin Rechenauer,
• Abstract要約: 本稿では,命題確率論理に基づく確率集約の枠組みを提案する。 コンセンサス互換かつ独立的なアジェンダ上のアジェンダのルールは必ず線形であることを示す。
• 参考スコア（独自算出の注目度）: 0.562479170374811
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a framework for probability aggregation based on propositional probability logic. Unlike conventional judgment aggregation, which focuses on static rationality, our model addresses dynamic rationality by ensuring that collective beliefs update consistently with new information. We show that any consensus-compatible and independent aggregation rule on a non-nested agenda is necessarily linear. Furthermore, we provide sufficient conditions for a fair learning process, where individuals initially agree on a specified subset of propositions known as the common ground, and new information is restricted to this shared foundation. This guarantees that updating individual judgments via Bayesian conditioning-whether performed before or after aggregation-yields the same collective belief. A distinctive feature of our framework is its treatment of sequential decision-making, which allows new information to be incorporated progressively through multiple stages while maintaining the established common ground. We illustrate our findings with a running example in a political scenario concerning healthcare and immigration policies.
• Abstract（参考訳）: 本稿では,命題確率論理に基づく確率集約の枠組みを提案する。 静的な合理性に焦点を当てた従来の判断集約とは異なり、我々のモデルは、集合的信念が新しい情報と一貫して更新されることを保証することによって、動的合理性に対処する。 コンセンサス互換かつ独立的なアジェンダ上のアジェンダのルールは必ず線形であることを示す。 さらに、我々は、まず個人が共通基盤として知られる命題の特定のサブセットに合意する公正な学習プロセスに十分な条件を提供し、新しい情報は、この共有基盤に制限される。 これは、ベイズ的条件付けによって個々の判断を更新することを保証する。 本フレームワークの特長はシーケンシャルな意思決定の扱いであり, 確立された共通基盤を維持しつつ, 複数の段階を通じて新たな情報を段階的に組み込むことが可能である。 本研究は、医療・移民政策に関する政治シナリオの具体例として、本研究の成果を概説する。

関連論文リスト

• Confidence Estimation via Sequential Likelihood Mixing [46.69347918899963]
  逐次近似混合に基づく信頼セット構築のための普遍的枠組みを提案する。 オンライン推定による逐次混合,ベイズ推定,後悔の不平等の基本的な関係を確立する。 古典的な設定に対して、より厳密な信頼シーケンスを導出することで、フレームワークのパワーを説明する。
  論文  参考訳（メタデータ） (2025-02-20T16:16:34Z)
• Policy Aggregation [21.21314301021803]
  我々は、マルコフ決定プロセスにおいて、異なる報酬関数と最適なポリシーを持つ複数の個人とAIバリューアライメントの課題を考察する。 我々は、この問題を政策集約の1つとして定式化し、そこでは、望ましい集団的政策を特定することを目的としている。 主要な洞察は、社会的選択法は、国家が占有するポリトープのサブセットのボリュームと順序的選好を識別することで再解釈できるということである。
  論文  参考訳（メタデータ） (2024-11-06T04:19:50Z)
• Sequential Representation Learning via Static-Dynamic Conditional Disentanglement [58.19137637859017]
  本稿では,ビデオ中の時間非依存要因と時間変化要因を分離することに着目し,逐次的データ内での自己教師付き不整合表現学習について検討する。 本稿では,静的/動的変数間の因果関係を明示的に考慮し,それらの因子間の通常の独立性仮定を破る新しいモデルを提案する。 実験により、提案手法は、シーンのダイナミックスが内容に影響されるシナリオにおいて、従来の複雑な最先端技術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） (2024-08-10T17:04:39Z)
• Sequential Manipulation Against Rank Aggregation: Theory and Algorithm [119.57122943187086]
  脆弱なデータ収集プロセスに対するオンライン攻撃を活用します。 ゲーム理論の観点からは、対決シナリオは分布的に堅牢なゲームとして定式化される。 提案手法は,ランクアグリゲーション手法の結果を逐次的に操作する。
  論文  参考訳（メタデータ） (2024-07-02T03:31:21Z)
• Designing Long-term Group Fair Policies in Dynamical Systems [12.115106776644156]
  本稿では,力学系におけるグループフェアネスの長期化を実現するための新しい枠組みを提案する。 我々のフレームワークは、長期にわたってシステムの標的となる公平な状態に収束する、時間に依存しないポリシーを特定できる。
  論文  参考訳（メタデータ） (2023-11-21T08:58:50Z)
• Generative Intrinsic Optimization: Intrinsic Control with Model Learning [5.439020425819001]
  将来のシーケンスは、環境へのアクションの実行後の結果を表す。 明示的な成果は、クレジットの割り当てや模倣学習などの異なる目的のために、州、返却、軌跡によって異なりうる。 本稿では、相互情報をシームレスに組み込んだ政策スキームを提案し、最適な政策への収束を確保する。
  論文  参考訳（メタデータ） (2023-10-12T07:50:37Z)
• Auditing Fairness by Betting [47.53732591434]
  我々は,デプロイされた分類モデルと回帰モデルの公平性を評価するための,実用的で効率的で非パラメトリックな手法を提供する。 我々の手法は逐次的であり、入ってくるデータの継続的なモニタリングを可能にする。 提案手法の有効性を3つのベンチマークフェアネスデータセットに示す。
  論文  参考訳（メタデータ） (2023-05-27T20:14:11Z)
• Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
  垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。 我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
  論文  参考訳（メタデータ） (2022-07-19T05:47:30Z)
• Constructing a Good Behavior Basis for Transfer using Generalized Policy Updates [63.58053355357644]
  そこで我々は,優れた政策集合を学習する問題を考察し,組み合わせることで,目に見えない多種多様な強化学習タスクを解くことができることを示した。 理論的には、独立したポリシーのセットと呼ぶ、特定の多様なポリシーのセットにアクセスできることによって、ハイレベルなパフォーマンスを即時に達成できることが示される。
  論文  参考訳（メタデータ） (2021-12-30T12:20:46Z)
• Confounding-Robust Policy Evaluation in Infinite-Horizon Reinforcement Learning [70.01650994156797]
  教育医療などのバッチ強化学習において、観察データからのシーケンシャルな意思決定方針のオフ・アセスメントが必要である。 我々は、ある政策の境界を推定するアプローチを開発する。 より凝縮したデータを集めることで、シャープな境界への収束を証明します。
  論文  参考訳（メタデータ） (2020-02-11T16:18:14Z)

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。