論文の概要: Behavior Learning (BL): Learning Hierarchical Optimization Structures from Data

• arxiv url: http://arxiv.org/abs/2602.20152v1
• Date: Mon, 23 Feb 2026 18:59:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.965317
• Title: Behavior Learning (BL): Learning Hierarchical Optimization Structures from Data
• Title（参考訳）: 行動学習(BL):データから階層的最適化構造を学習する
• Authors: Zhenyao Ma, Yue Liang, Dongxu Li,
• Abstract要約: 行動学習(BL)は、データから解釈可能かつ識別可能な最適化構造を学ぶ。 BLは予測性能、解釈可能性、識別性を統一し、最適化を含む科学的領域に適用可能である。
• 参考スコア（独自算出の注目度）: 17.826786061390962
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inspired by behavioral science, we propose Behavior Learning (BL), a novel general-purpose machine learning framework that learns interpretable and identifiable optimization structures from data, ranging from single optimization problems to hierarchical compositions. It unifies predictive performance, intrinsic interpretability, and identifiability, with broad applicability to scientific domains involving optimization. BL parameterizes a compositional utility function built from intrinsically interpretable modular blocks, which induces a data distribution for prediction and generation. Each block represents and can be written in symbolic form as a utility maximization problem (UMP), a foundational paradigm in behavioral science and a universal framework of optimization. BL supports architectures ranging from a single UMP to hierarchical compositions, the latter modeling hierarchical optimization structures. Its smooth and monotone variant (IBL) guarantees identifiability. Theoretically, we establish the universal approximation property of BL, and analyze the M-estimation properties of IBL. Empirically, BL demonstrates strong predictive performance, intrinsic interpretability and scalability to high-dimensional data. Code: https://github.com/MoonYLiang/Behavior-Learning ; install via pip install blnetwork.
• Abstract（参考訳）: 行動科学にインスパイアされた行動学習(BL)は,データから単一最適化問題から階層的合成まで,解釈可能かつ識別可能な最適化構造を学習する,新しい汎用機械学習フレームワークである。 予測性能、本質的な解釈可能性、識別可能性を統一し、最適化を含む科学的領域に適用可能である。 BLは、本質的に解釈可能なモジュラーブロックから構築された合成ユーティリティ関数をパラメータ化し、予測と生成のためのデータ分散を誘導する。 各ブロックは、実用的最大化問題(UMP)、行動科学の基本パラダイム、最適化の普遍的な枠組みとして、象徴的な形で記述できる。 BLは単一のUMPから階層的な構成、後者は階層的な最適化構造をモデル化する。 その滑らかで単調な変種(IBL)は識別可能性を保証する。 理論的には、BLの普遍近似特性を確立し、IBLのM推定特性を解析する。 BLは、高次元データに対する強い予測性能、本質的な解釈可能性、スケーラビリティを示す。 コード: https://github.com/MoonYLiang/Behavior-Learning ; pip install blnetwork をインストールする。

関連論文リスト

• Structural Compositional Function Networks: Interpretable Functional Compositions for Tabular Discovery [4.8369208007394215]
  本稿では,構造構成ネットワーク(Structure compositional Networks, StructureCFN)を提案する。 私たちのフレームワークは構造化知識統合を可能にし、ドメイン固有のリレーショナル事前をアーキテクチャに直接注入して発見を導くことができます。 我々は18ベンチマークで厳密な10倍のクロスバリデーションスイートにまたがる構造CFNを評価し,統計的に有意な改善を示した。
  論文  参考訳（メタデータ） (2026-01-27T20:20:07Z)
• Improving LLM Reasoning with Homophily-aware Structural and Semantic Text-Attributed Graph Compression [55.51959317490934]
  大規模言語モデル(LLM)は、テキスト分散グラフ(TAG)理解において有望な能力を示している。 グラフは本来、構造情報や意味情報を豊富に含むものであり、それらの有効利用はLLMの推論性能の潜在的な利益を解放する可能性があると論じる。 グラフホモフィリーの活用を目的としたフレームワーク LLMs (HS2C) のホモフィリー対応構造とセマンティック圧縮を提案する。
  論文  参考訳（メタデータ） (2026-01-13T03:35:18Z)
• MAGIC-Flow: Multiscale Adaptive Conditional Flows for Generation and Interpretable Classification [0.0]
  MAGIC-Flowは、単一のフレームワーク内で生成と分類を行う条件付きマルチスケール正規化フローアーキテクチャである。 非可逆性は標本可能性の明示的な可視化を可能にする一方で、これが正確な確率と安定な最適化をいかに保証するかを示す。 類似度,忠実度,多様性の指標を用いて,トップベースラインに対するMAGIC-Flowの評価を行った。
  論文  参考訳（メタデータ） (2025-10-24T23:11:25Z)
• LOCAL: Learning with Orientation Matrix to Infer Causal Structure from Time Series Data [51.47827479376251]
  LOCALは動的因果構造を復元するための効率的で実装が容易で制約のない手法である。 Asymptotic Causal Learning Mask (ACML) と Dynamic Graph Learning (DGPL) 合成および実世界のデータセットの実験では、LOCALが既存の手法よりも大幅に優れていることが示されている。
  論文  参考訳（メタデータ） (2024-10-25T10:48:41Z)
• Searching for Efficient Linear Layers over a Continuous Space of Structured Matrices [88.33936714942996]
  アインシュタイン和を通じて表現可能なすべての線形作用素の探索を可能にする統一フレームワークを提案する。 計算-最適スケーリング法則の違いは主に少数の変数によって支配されていることを示す。 そこで,Mixture-of-Experts (MoE) は,注目ブロックの投影を含む,モデルのすべての線形層におけるMoEを学習する。
  論文  参考訳（メタデータ） (2024-10-03T00:44:50Z)

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。