論文の概要: Authority-Level Priors: An Under-Specified Constraint in Hierarchical Predictive Processing
- arxiv url: http://arxiv.org/abs/2603.18888v1
- Date: Thu, 19 Mar 2026 13:27:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-20 17:19:06.165429
- Title: Authority-Level Priors: An Under-Specified Constraint in Hierarchical Predictive Processing
- Title（参考訳）: オーソリティレベル事前:階層的予測処理における不特定制約
- Authors: Marcela Palejova,
- Abstract要約: オーソリティ・レベル優先(英: Authority-Level Priors、ALP)は、アイデンティティレベルの仮説の規制が許容できるサブセットを定義するメタ構造制約である。
ALPは、追加の表現状態や精度よりも高優先度であり、規制制御に許容される仮説を制約している。
計算形式化は、認可された仮説によって生成されるポリシーに対するポリシー最適化を制限する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hierarchical predictive processing explains adaptive behaviour through precision-weighted inference. Explicit belief revision often fails to produce corresponding changes in stress reactivity or autonomic regulation. This asymmetry suggests the framework leaves under-specified a governance-level constraint concerning which identity-level hypotheses regulate autonomic and behavioural control under uncertainty. We introduce Authority-Level Priors (ALPs) as meta-structural constraints defining a regulatory-admissible subset (Hauth, a subset of H) of identity-level hypotheses. ALPs are not additional representational states nor hyperpriors over precision; they constrain which hypotheses are admissible for regulatory control. Precision determines influence conditional on admissibility; ALPs determine admissibility itself. This explains why explicit belief updating modifies representational beliefs while autonomic threat responses remain stable. A computational formalisation restricts policy optimisation to policies generated by authorised hypotheses, yielding testable predictions concerning stress-reactivity dynamics, recovery time constants, compensatory control engagement, and behavioural persistence. Neurobiologically, ALPs manifest through distributed prefrontal arbitration and control networks. The proposal is compatible with variational active inference and introduces no additional inferential operators, instead formalising a boundary condition required for determinate identity-regulation mapping. The model generates falsifiable predictions: governance shifts should produce measurable changes in stress-reactivity curves, recovery dynamics, compensatory cognitive effort, and behavioural change durability. ALPs are advanced as an architectural hypothesis to be evaluated through computational modelling and longitudinal stress-induction paradigms.
- Abstract（参考訳）: 階層的予測処理は精度重み付け推論を通じて適応的な振る舞いを説明する。
明示的な信念の改訂は、しばしばストレスの反応性や自律神経調節の変化を生じさせるのに失敗する。
この非対称性は、アイデンティティレベルの仮説が不確実性の下で自律的および行動的制御を規制するガバナンスレベルの制約を過小評価していることを示唆している。
本稿では,個人レベルの仮説の規制許容部分集合 (Hauth, a subset of H) を定義するメタ構造制約として,オーソリティ・レベル優先(ALP)を導入する。
ALPは、追加の表現状態や精度よりも高優先度であり、規制制御に許容される仮説を制約している。
精度は許容性に対する影響条件を決定する; ALPは許容性そのものを決定する。
このことは、明示的な信念の更新が表現的信念を変化させる一方で、自律的脅威応答が安定している理由を説明する。
計算形式化は、承認された仮説によって生成されたポリシーにポリシーの最適化を制限し、ストレス-反応性のダイナミクス、回復時間定数、補償制御エンゲージメント、行動持続性に関する検証可能な予測を与える。
神経生物学的には、ALPは分散前頭前野調停と制御ネットワークを介して現れる。
この提案は変動能動推論と互換性があり、追加の推論演算子を導入せず、代わりにアイデンティティ制御マッピングを決定づけるために必要な境界条件を定式化する。
ガバナンスシフトは、ストレス-反応性曲線、リカバリダイナミクス、補償認知活動、行動変化耐久性の計測可能な変化を生み出すべきである。
ALPは、計算モデルや縦断応力誘導パラダイムを通じて評価されるアーキテクチャ仮説として進歩している。
関連論文リスト
- IRAM-Omega-Q: A Computational Architecture for Uncertainty Regulation in Artificial Agents [0.0]
IRAM-Omega-Qは内部制御を量子的状態表現上の閉ループ制御としてモデル化する計算アーキテクチャである。
その結果、人工エージェントの具体的な設計原則として不確実性規制が支持された。
論文 参考訳（メタデータ） (2026-03-16T23:58:11Z) - Machine Learning for Stress Testing: Uncertainty Decomposition in Causal Panel Prediction [2.289837306672451]
規制ストレステストでは、仮説的なマクロ経済シナリオの下で信用損失を予測する必要がある。
パネルにおけるポリシーパスの反ファクト推論のためのフレームワークを提案する。
実失業データを用いたシミュレーションおよび半合成実験により,すべての結果を検証した。
論文 参考訳（メタデータ） (2026-03-08T03:22:38Z) - What Capable Agents Must Know: Selection Theorems for Robust Decision-Making under Uncertainty [1.6868147729303773]
我々は「選択定理」を証明し、低い「平均的な後悔」がエージェントに予測的、構造化された内部状態を実装することを強制することを示す。
後悔は、最適当量に対する確率質量を制限することを示し、高マージンな結果の分離に必要な予測的区別を強制する。
論文 参考訳（メタデータ） (2026-03-03T00:47:58Z) - The Emergence of Lab-Driven Alignment Signatures: A Psychometric Framework for Auditing Latent Bias and Compounding Risk in Generative AI [0.0]
本稿では,不確実性の下での潜在特性推定を定量化する新しい監査フレームワークを提案する。
この研究は最適化バイアス、Sycophancy、Status-Quo Legitimizationを含む9つの次元にわたる主要なモデルを監査している。
論文 参考訳（メタデータ） (2026-02-19T06:56:01Z) - Active Inference with Reusable State-Dependent Value Profiles [0.0]
生成モデルにおける隠れ状態に割り当てられた値関連パラメータの小さな再利用可能なバンドル。
この枠組みを確率論的逆転学習において評価し,静的精度,エントロピー結合動的精度,プロファイルベースモデルを比較した。
論文 参考訳（メタデータ） (2025-12-03T04:11:57Z) - LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。
我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。
本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
論文 参考訳（メタデータ） (2025-12-01T11:27:09Z) - Rediscovering Entropy Regularization: Adaptive Coefficient Unlocks Its Potential for LLM Reinforcement Learning [55.59724323303857]
本稿では,3つのコンポーネントによる探索と利用のバランスをとるフレームワークを提案する。
複数の数学的推論ベンチマークの実験は、AERが一貫してベースラインを上回り、推論精度と探索能力の両方を改善していることを示している。
論文 参考訳（メタデータ） (2025-10-13T03:10:26Z) - COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。
COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。
リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
論文 参考訳（メタデータ） (2025-06-25T07:04:49Z) - Unifying Perplexing Behaviors in Modified BP Attributions through Alignment Perspective [61.5509267439999]
GBP, RectGrad, LRP, DTD などの手法の統一理論フレームワークを提案する。
活性化ニューロンの重みを結合して入力アライメントを実現することを実証した。
このアライメントにより、可視化品質が向上し、重量ランダム化に対する感度が低下する。
論文 参考訳（メタデータ） (2025-03-14T07:58:26Z) - When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。
deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。
カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
論文 参考訳（メタデータ） (2023-07-06T04:13:57Z)
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。