論文の概要: Discovering and Learning Probabilistic Models of Black-Box AI Capabilities

• arxiv url: http://arxiv.org/abs/2512.16733v1
• Date: Thu, 18 Dec 2025 16:32:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:32.159238
• Title: Discovering and Learning Probabilistic Models of Black-Box AI Capabilities
• Title（参考訳）: ブラックボックスAI能力の確率モデル発見と学習
• Authors: Daniel Bramblett, Rushang Karia, Adrian Ciotinga, Ruthvick Suresh, Pulkit Verma, YooJung Choi, Siddharth Srivastava,
• Abstract要約: ブラックボックスAI(BBAI)システムは、シーケンシャルな意思決定にますます利用されている。 本稿では,入力BBAIの計画能力を効率的に学習し,モデル化するためにPDDLスタイルの表現を用いることができることを示す。
• 参考スコア（独自算出の注目度）: 17.814540838646188
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Black-box AI (BBAI) systems such as foundational models are increasingly being used for sequential decision making. To ensure that such systems are safe to operate and deploy, it is imperative to develop efficient methods that can provide a sound and interpretable representation of the BBAI's capabilities. This paper shows that PDDL-style representations can be used to efficiently learn and model an input BBAI's planning capabilities. It uses the Monte-Carlo tree search paradigm to systematically create test tasks, acquire data, and prune the hypothesis space of possible symbolic models. Learned models describe a BBAI's capabilities, the conditions under which they can be executed, and the possible outcomes of executing them along with their associated probabilities. Theoretical results show soundness, completeness and convergence of the learned models. Empirical results with multiple BBAI systems illustrate the scope, efficiency, and accuracy of the presented methods.
• Abstract（参考訳）: 基本モデルのようなブラックボックスAI(BBAI)システムは、シーケンシャルな意思決定にますます利用されている。 このようなシステムの運用と展開が安全であることを保証するため、BBAIの能力の健全かつ解釈可能な表現を提供する効率的な方法を開発することが不可欠である。 本稿では,入力BBAIの計画能力を効率的に学習し,モデル化するためにPDDLスタイルの表現を用いることができることを示す。 モンテカルロ木探索パラダイムを用いて、テストタスクを体系的に作成し、データを取得し、可能なシンボリックモデルの仮説空間を創出する。 学習されたモデルはBBAIの能力、実行可能な条件、関連する確率とともにBBAIの実行可能な結果を記述する。 理論的結果は、学習したモデルの健全性、完全性、収束性を示す。 複数のBBAIシステムによる実験結果からは,提案手法のスコープ,効率,精度が示されている。

関連論文リスト

• Active Learning of Model Discrepancy with Bayesian Experimental Design [0.0]
  逐次実験設計(BED)から得られたデータに基づいてモデル差分を効率的に学習する手法を提案する。 提案手法は, 逐次BEDによって提案されるデータを用いて, 高次元モデル差分率の能動的学習に対して, 効率的かつ堅牢であることを示す。 また,提案手法は古典的数値解法と近代自己微分可能解法の両方と互換性があることを実証した。
  論文  参考訳（メタデータ） (2025-02-07T22:54:20Z)
• Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
  本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。 推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。 我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
  論文  参考訳（メタデータ） (2024-11-02T07:06:53Z)
• SynthTree: Co-supervised Local Model Synthesis for Explainable Prediction [15.832975722301011]
  本稿では,最小限の精度で説明可能性を向上させる手法を提案する。 我々は,AI技術を利用してノードを推定する新しい手法を開発した。 我々の研究は、統計的方法論が説明可能なAIを前進させる上で重要な役割を担っている。
  論文  参考訳（メタデータ） (2024-06-16T14:43:01Z)
• Value function estimation using conditional diffusion models for control [62.27184818047923]
  拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。 拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。 本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
  論文  参考訳（メタデータ） (2023-06-09T18:40:55Z)
• Autonomous Capability Assessment of Sequential Decision-Making Systems in Stochastic Settings (Extended Version) [27.825419721676766]
  ユーザは自分のAIシステムに何ができるかを理解し、安全に使用するためには不可能である。 本稿では,ブラックボックス型AIシステムにおいて,計画と動作が可能な能力をモデル化するための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-06-07T22:05:48Z)
• Latent Variable Representation for Reinforcement Learning [131.03944557979725]
  モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。 状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。 特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-17T00:26:31Z)
• Feeding What You Need by Understanding What You Learned [54.400455868448695]
  Machine Reading (MRC)は、与えられたテキストパスを理解し、それに基づいて質問に答える機能を明らかにする。 MRCの既存の研究は、Exact Matchのようなメトリクスによって評価されたパフォーマンスを改善するために、大規模なモデルとコーパスに大きく依存している。 モデル機能とデータ特性の深い理解は、適切なトレーニングデータでモデルをフィードするのに役立ちます。
  論文  参考訳（メタデータ） (2022-03-05T14:15:59Z)
• Active Learning of Markov Decision Processes using Baum-Welch algorithm (Extended) [0.0]
  本稿では,マルコフ決定過程とマルコフ連鎖を学習するためのBaum-Welchアルゴリズムを再検討し,適応する。 本研究では,本手法を最先端のツールと実証的に比較し,提案手法が正確なモデルを得るために必要な観測回数を大幅に削減できることを実証する。
  論文  参考訳（メタデータ） (2021-10-06T18:54:19Z)
• Efficient Model-Based Reinforcement Learning through Optimistic Policy Search and Planning [93.1435980666675]
  最先端の強化学習アルゴリズムと楽観的な探索を容易に組み合わせることができることを示す。 我々の実験は、楽観的な探索が行動に罰則がある場合、学習を著しくスピードアップすることを示した。
  論文  参考訳（メタデータ） (2020-06-15T18:37:38Z)

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。