論文の概要: Complexity as Advantage: A Regret-Based Perspective on Emergent Structure
- arxiv url: http://arxiv.org/abs/2511.04590v1
- Date: Thu, 06 Nov 2025 17:46:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-07 20:17:53.539709
- Title: Complexity as Advantage: A Regret-Based Perspective on Emergent Structure
- Title（参考訳）: アドバンテージとしての複雑性:創発的構造に関するレグレットに基づく展望
- Authors: Oshri Naparstek,
- Abstract要約: 我々は、システムをモデル化しようとする異なる観察者に対して、どれだけの予測的後悔が引き起こされるかを評価する。
ある観察者にとって容易であり、他の観察者が困難である場合には、システムは複雑であり、情報優位性を生み出す。
- 参考スコア（独自算出の注目度）: 0.7252027234425333
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce Complexity as Advantage (CAA), a framework that defines the complexity of a system relative to a family of observers. Instead of measuring complexity as an intrinsic property, we evaluate how much predictive regret a system induces for different observers attempting to model it. A system is complex when it is easy for some observers and hard for others, creating an information advantage. We show that this formulation unifies several notions of emergent behavior, including multiscale entropy, predictive information, and observer-dependent structure. The framework suggests that "interesting" systems are those positioned to create differentiated regret across observers, providing a quantitative grounding for why complexity can be functionally valuable. We demonstrate the idea through simple dynamical models and discuss implications for learning, evolution, and artificial agents.
- Abstract（参考訳）: 本稿では,システムの複雑性をオブザーバのファミリーに対して定義するフレームワークであるComplexity as Advantage(CAA)を紹介する。
複雑性を本質的な特性として測定する代わりに、システムをモデル化しようとする異なるオブザーバに対して、どれだけの予測的後悔が引き起こされるかを評価する。
ある観察者にとって容易であり、他の観察者が困難である場合には、システムは複雑であり、情報優位性を生み出す。
この定式化は,マルチスケールエントロピー,予測情報,観測者に依存した構造など,創発的行動のいくつかの概念を統一することを示す。
このフレームワークは、"興味深い"システムは、オブザーバー間で異なる後悔を生み出す位置にあることを示唆し、なぜ複雑さが機能的に価値のあるのかを定量的な根拠として示している。
我々は、単純な力学モデルを通してアイデアを実証し、学習、進化、人工エージェントへの影響について議論する。
関連論文リスト
- Complexity in Complexity: Understanding Visual Complexity Through Structure, Color, and Surprise [6.324765782436764]
人間がどのように視覚の複雑さを知覚するかを理解することは、視覚認知において重要な研究領域である。
複雑性を正確にモデル化することは、これまで考えられていたほど単純ではなく、データセットのバイアスに対処するために、知覚的および意味的な要素を追加する必要がある。
我々のモデルは、解釈可能性を維持しながら予測性能を改善し、視覚的複雑さの認識と評価についてより深い洞察を提供する。
論文 参考訳（メタデータ） (2025-01-27T09:32:56Z) - On the Role of Information Structure in Reinforcement Learning for Partially-Observable Sequential Teams and Games [55.2480439325792]
逐次的意思決定問題において、情報構造とは、異なる時点に発生するシステム内の事象が相互にどのように影響するかを記述するものである。
対照的に、現実のシーケンシャルな意思決定問題は通常、システム変数の複雑で時間的な相互依存を伴う。
情報構造を明示する新しい強化学習モデルを定式化する。
論文 参考訳（メタデータ） (2024-03-01T21:28:19Z) - Balancing Explainability-Accuracy of Complex Models [8.402048778245165]
我々は,コリレーションの影響に基づき,複雑なモデルに対する新しいアプローチを提案する。
独立機能と依存機能の両方のシナリオに対するアプローチを提案する。
従属特徴に対する提案手法の複雑さの上限を提供する。
論文 参考訳（メタデータ） (2023-05-23T14:20:38Z) - Learning to Decouple Complex Systems [11.674072457685007]
本研究では,不規則なサンプルや散逸した逐次観測を扱うための逐次学習手法を提案する。
我々は、単純体の中で進化するメタシステムは射影微分方程式(ProjDEs)によって支配されると主張する。
論文 参考訳（メタデータ） (2023-02-03T07:24:58Z) - On the Complexity of Bayesian Generalization [141.21610899086392]
我々は、多様かつ自然な視覚スペクトルにおいて、概念一般化を大規模に考える。
問題空間が大きくなると、2つのモードが研究され、$complexity$が多様になる。
論文 参考訳（メタデータ） (2022-11-20T17:21:37Z) - Sample-Efficient Reinforcement Learning in the Presence of Exogenous
Information [77.19830787312743]
実世界の強化学習アプリケーションでは、学習者の観察空間は、その課題に関する関連情報と無関係情報の両方でユビキタスに高次元である。
本稿では,強化学習のための新しい問題設定法であるExogenous Decision Process (ExoMDP)を導入する。
内因性成分の大きさのサンプル複雑度で準最適ポリシーを学習するアルゴリズムであるExoRLを提案する。
論文 参考訳（メタデータ） (2022-06-09T05:19:32Z) - Structural Landmarking and Interaction Modelling: on Resolution Dilemmas
in Graph Classification [50.83222170524406]
解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」
構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
論文 参考訳（メタデータ） (2020-06-29T01:01:42Z)
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。