論文の概要: Decision Oriented Technique (DOTechnique): Finding Model Validity Through Decision-Maker Context

• arxiv url: http://arxiv.org/abs/2510.13858v1
• Date: Sun, 12 Oct 2025 20:28:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.484114
• Title: Decision Oriented Technique (DOTechnique): Finding Model Validity Through Decision-Maker Context
• Title（参考訳）: 意思決定指向技術(DOTechnique):意思決定コンテキストによるモデル妥当性の探索
• Authors: Raheleh Biglari, Joachim Denil,
• Abstract要約: 決定指向技術(DOTechnique)は、出力類似性ではなく、決定整合性に基づいてモデルの有効性を決定する新しい手法である。 代理モデルが高忠実度モデルに匹敵する決定を導くかどうかを評価することにより、DOTechniqueは有効領域の効率的な同定を可能にする。
• 参考スコア（独自算出の注目度）: 0.12031796234206132
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Model validity is as critical as the model itself, especially when guiding decision-making processes. Traditional approaches often rely on predefined validity frames, which may not always be available or sufficient. This paper introduces the Decision Oriented Technique (DOTechnique), a novel method for determining model validity based on decision consistency rather than output similarity. By evaluating whether surrogate models lead to equivalent decisions compared to high-fidelity models, DOTechnique enables efficient identification of validity regions, even in the absence of explicit validity boundaries. The approach integrates domain constraints and symbolic reasoning to narrow the search space, enhancing computational efficiency. A highway lane change system serves as a motivating example, demonstrating how DOTechnique can uncover the validity region of a simulation model. The results highlight the potential of the technique to support finding model validity through decision-maker context.
• Abstract（参考訳）: モデルの有効性は、特に意思決定プロセスの導出において、モデル自体と同じくらい重要になります。 従来のアプローチは、しばしば事前に定義された妥当性枠に依存しており、必ずしも利用可能でも十分でもない。 本稿では、出力類似性ではなく、決定整合性に基づいてモデルの有効性を決定する新しい方法である決定指向技術(DOTechnique)を紹介する。 高忠実度モデルと比較して、代理モデルが等価な決定を導くかどうかを評価することにより、DOTechniqueは、明示的な妥当性境界が存在しない場合でも、有効な妥当性領域の同定を可能にする。 このアプローチはドメイン制約とシンボリック推論を統合して探索空間を狭め、計算効率を向上する。 ハイウェイレーン変更システムは、DOTechniqueがシミュレーションモデルの妥当性領域をいかに明らかにできるかを示すモチベーションの例として機能する。 その結果,意思決定コンテキストによるモデルの有効性の発見を支援する技術の可能性を強調した。

関連論文リスト

• DecisionFlow: Advancing Large Language Model as Principled Decision Maker [49.088778182807395]
  DecisionFlowは、モデルにアクション、属性、制約の構造化された表現を推論するように誘導する、新しい決定モデリングフレームワークである。 プロンプトから直接回答を予測するのではなく、DecisionFlowは意味論的に根拠のある決定空間を構築し、潜在ユーティリティ関数を推論する。 実験の結果,DecisionFlowの精度は,強いプロンプトベースラインよりも最大30%向上した。
  論文  参考訳（メタデータ） (2025-05-27T16:23:53Z)
• Bounding-Box Inference for Error-Aware Model-Based Reinforcement Learning [4.185571779339683]
  モデルに基づく強化学習では、シミュレーションされた経験は実環境からの経験と同等のものとして扱われることが多い。 モデルベースの更新に対する不確実性を推定するために、最適結果が分布に敏感な推測を必要とすることを示す。 境界ボックス推論は効果的な選択計画を支援することができる。
  論文  参考訳（メタデータ） (2024-06-23T04:23:15Z)
• Learning Transferable Conceptual Prototypes for Interpretable Unsupervised Domain Adaptation [79.22678026708134]
  本稿では,Transferable Prototype Learning (TCPL) という,本質的に解釈可能な手法を提案する。 この目的を達成するために、ソースドメインからターゲットドメインにカテゴリの基本概念を転送する階層的なプロトタイプモジュールを設計し、基礎となる推論プロセスを説明するためにドメイン共有プロトタイプを学習する。 総合的な実験により,提案手法は有効かつ直感的な説明を提供するだけでなく,従来の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） (2023-10-12T06:36:41Z)
• MACE: An Efficient Model-Agnostic Framework for Counterfactual Explanation [132.77005365032468]
  MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。 MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。 公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
  論文  参考訳（メタデータ） (2022-05-31T04:57:06Z)
• Modeling Human Driver Interactions Using an Infinite Policy Space Through Gaussian Processes [0.0]
  本稿では,多出力ガウス過程に依存する人間のドライバインタラクションをモデル化する手法を提案する。 提案手法は,実際のトラフィックデータセット上で,そのコントリビューションと意味を実証するために検証される。
  論文  参考訳（メタデータ） (2022-01-03T17:45:58Z)
• Automated Repair of Process Models with Non-Local Constraints Using State-Based Region Theory [0.19499120576896226]
  最先端プロセス発見手法は、イベントログから自由選択プロセスモデルを構築する。 本研究では,非自由選択構造を地域的手法で探索し,非自由選択構造を付加することで自由選択過程モデルを改善する手法を提案する。
  論文  参考訳（メタデータ） (2021-06-26T21:14:04Z)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)
• Model-Augmented Actor-Critic: Backpropagating through Paths [81.86992776864729]
  現在のモデルに基づく強化学習アプローチでは、単に学習されたブラックボックスシミュレータとしてモデルを使用する。 その微分可能性を利用してモデルをより効果的に活用する方法を示す。
  論文  参考訳（メタデータ） (2020-05-16T19:18:10Z)

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。