論文の概要: Right-to-Act: A Pre-Execution Non-Compensatory Decision Protocol for AI Systems

• arxiv url: http://arxiv.org/abs/2604.24153v1
• Date: Mon, 27 Apr 2026 08:09:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.798122
• Title: Right-to-Act: A Pre-Execution Non-Compensatory Decision Protocol for AI Systems
• Title（参考訳）: right-to-Act:AIシステムのための事前実行非補償決定プロトコル
• Authors: Gadi Lavi,
• Abstract要約: 我々は,AI生成した決定が実現可能であるかどうかを評価する決定論的で非補償的な事前実行決定層であるRight-to-Actプロトコルを導入する。 高信頼信号が故障した条件をオーバーライドできる補償システムとは異なり、提案手法は厳密な構造制約を強制する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current AI systems increasingly operate in contexts where their outputs directly trigger real-world actions. Most existing approaches to AI safety, risk management, and governance focus on post-hoc validation, probabilistic risk estimation, or certification of model behavior. However, these approaches implicitly assume that once a decision is produced, it is eligible for execution. In this work, we introduce the Right-to-Act protocol, a deterministic, non-compensatory pre-execution decision layer that evaluates whether an AI-generated decision is permitted to be realized at all. Unlike compensatory systems, where high-confidence signals can override failed conditions, the proposed framework enforces strict structural constraints: if any required condition is unmet, execution is halted or deferred. We formalize the distinction between compensatory and non-compensatory decision regimes and define a pre-execution legitimacy boundary. Through a scenario-based case study, we demonstrate how identical AI outputs can lead to divergent outcomes when evaluated under a Right-to-Act protocol, preserving reversibility and preventing premature or irreversible actions. The proposed approach reframes AI control from optimizing decisions to governing their admissibility, introducing a protocol-level abstraction that operates independently of model architecture or training methodology.
• Abstract（参考訳）: 現在のAIシステムは、アウトプットが現実世界のアクションを直接トリガーするコンテキストで、ますます運用されている。 AIの安全性、リスク管理、ガバナンスに対する既存のアプローチは、ポストホック検証、確率的リスク推定、モデル行動の認定に重点を置いている。 しかし、これらのアプローチは、一度決定が下されると、それが実行可能であることを暗黙的に仮定する。 本稿では,AI生成決定が全く実現されないか否かを評価するための,決定論的で非補償的事前実行決定層であるRight-to-Actプロトコルを紹介する。 高信頼信号が故障した条件をオーバーライドできる補償システムとは異なり、提案フレームワークは厳密な構造的制約を課している。 我々は、補償と非補償の意思決定体制の区別を形式化し、事前執行の正当性境界を定義する。 シナリオベースのケーススタディを通じて、Right-to-Actプロトコルで評価された場合、同一のAI出力が、可逆性を保ち、未熟または不可逆的な動作を防止する際に、どのように異なる結果をもたらすかを実証する。 提案されたアプローチは、決定を最適化することから、彼らの許容性を管理することまで、AIコントロールを再設計し、モデルアーキテクチャやトレーニング方法論とは独立して動作するプロトコルレベルの抽象化を導入する。

関連論文リスト

• PolicyBank: Evolving Policy Understanding for LLM Agents [51.86716874651299]
  PolicyBankは構造化されたツールレベルの政策洞察を維持し、それらを反復的に洗練する。 PolicyBankは、人間の神託に対するギャップの最大82%を閉じている。
  論文  参考訳（メタデータ） (2026-04-16T20:29:30Z)
• OpenKedge: Governing Agentic Mutation with Execution-Bound Safety and Evidence Chains [2.124730017640531]
  OpenKedgeは、突然変異を支配プロセスとして再定義するプロトコルである。 EEC(Intent-to-Execution Evidence Chain)は、意図、文脈、政策決定、実行境界、成果を統一された系統にリンクする。 マルチエージェントのコンフリクトシナリオとクラウドインフラストラクチャの変異に対してOpenKedgeを評価した。
  論文  参考訳（メタデータ） (2026-04-07T22:51:08Z)
• Runtime Governance for AI Agents: Policies on Paths [4.111929395230638]
  我々は、実行パスが効率的なランタイムガバナンスの中心的なオブジェクトであると主張している。 私たちの見解では、実行時評価は一般的なケースであり、パスに依存したポリシーには必要です。
  論文  参考訳（メタデータ） (2026-03-17T14:35:52Z)
• Risk-Aware World Model Predictive Control for Generalizable End-to-End Autonomous Driving [82.69496624372944]
  「専門家のように運転するのが普通」は限定的な一般化に苦しむ。 E2E-ADシステムは専門家の行動監督なしに信頼できる判断を下せるか? 本稿では,リスクを意識した世界モデル予測制御という統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-26T17:32:30Z)
• Faramesh: A Protocol-Agnostic Execution Control Plane for Autonomous Agent Systems [0.0]
  Farameshはプロトコルに依存しない実行制御プレーンで、エージェント駆動アクションの実行時間認証を強制する。 これらのプリミティブが自律的な実行に対して、強制可能で予測可能なガバナンスを実現する方法を示します。
  論文  参考訳（メタデータ） (2026-01-25T08:27:27Z)
• Admissibility Alignment [0.0]
  本稿では,不確実性を考慮した意思決定のための新しい制御プレーンシステムアーキテクチャMAP-AIを提案する。 モンテカルロによる結果分布の推定と、許容性制御された政策選択を通じてアライメントを実施する。 本研究では,アライメント評価を意思決定自体に統合し,適応性制御された行動選択機構を実現する方法を示す。
  論文  参考訳（メタデータ） (2026-01-05T05:58:19Z)
• 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)
• Learning non-Markovian Decision-Making from State-only Sequences [57.20193609153983]
  非マルコフ決定過程(nMDP)を用いた状態のみ列のモデルに基づく模倣を開発する。 非マルコフ制約をもつ経路計画課題において提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-06-27T02:26:01Z)
• Reinforcement Learning for Task Specifications with Action-Constraints [4.046919218061427]
  有限状態マルコフ決定過程の最適制御ポリシーを学習する手法を提案する。 安全でないと考えられるアクションシーケンスの集合が有限状態オートマトンによって与えられると仮定する。 非マルコフ的行動系列と状態制約の存在下で最適なポリシーを学習するためのQ-learningアルゴリズムのバージョンを提案する。
  論文  参考訳（メタデータ） (2022-01-02T04:22:01Z)

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。