論文の概要: ARGUS: Policy-Adaptive Ad Governance via Evolving Reinforcement with Adversarial Umpiring

• arxiv url: http://arxiv.org/abs/2605.02200v1
• Date: Mon, 04 May 2026 03:58:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.131434
• Title: ARGUS: Policy-Adaptive Ad Governance via Evolving Reinforcement with Adversarial Umpiring
• Title（参考訳）: ARGUS: 反逆的Umpiringによる強化の進展による政策適応型広告ガバナンス
• Authors: Deyi Ji, Junyu Lu, Xuanyi Liu, Liqun Liu, Hailong Zhang, Peng Shu, Huan Yu, Jie Jiang, Tianru Chen, Lanyun Zhu,
• Abstract要約: ARGUSは政策適応型ガバナンスシステムであり、敵の羽ばたきによる強化の進化を可能にする。 産業用と公共用両方のデータセットの実験では、ARGUSが従来の微調整ベースラインを大幅に上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 29.13889418783881
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online advertising governance faces significant challenges due to the non-stationary nature of regulatory policies, where emerging mandates (e.g., restrictions on education or aesthetic anxiety) create severe label inconsistencies and reasoning ambiguities in historical datasets. In this paper, we propose ARGUS, a policy-adaptive governance system that enables evolving reinforcement through multi-agent adversarial umpiring. ARGUS addresses the sparsity of new policy data by employing a three-stage framework: (1) Policy Seeding for initial perception; (2) Adversarial Label Rectification, which utilizes a ``Prosecutor-Defender-Umpire'' architecture to resolve conflicts between stale labels and new mandates; and (3) Latent Knowledge Discovery, which employs a tripartite dialectical discussion to unearth sophisticated, ``gray-area'' violations. By leveraging RAG-enhanced policy knowledge and Chain-of-Thought synthesis as dynamic rewards for reinforcement learning, ARGUS synchronizes its reasoning pathways with evolving regulations. Extensive experiments on both industrial and public datasets demonstrate that ARGUS significantly outperforms traditional fine-tuning baselines, achieving superior policy-adaptive learning with minimal gold data.
• Abstract（参考訳）: オンライン広告ガバナンスは、新しい委任統治(例えば、教育や審美的不安に対する規制)が、歴史的データセットにおける深刻なラベルの不整合と曖昧さを生じさせるという規制政策の非定常的な性質のために、重大な課題に直面している。 本稿では,多エージェントの対人共謀による強化を促進できる政策適応型ガバナンスシステムARGUSを提案する。 ARGUS は,(1) 初期認識の政策探索,(2) 「プロセカトル・デフェンダー・アンパイア」 アーキテクチャを用いた「プロセカトル・デフェンダー・アンパイア」 アーキテクチャを用いた「ラテント・ナレッジ・ディスカバリ」,(3) 洗練された「グラレア」 違反の発掘に三分的弁証的議論を取り入れた「ラテント・ナレッジ・ディスカバリー」という3段階の枠組みを用いて,新たな政策データの疎外性に対処する。 RAG強化政策知識とChain-of-Thought合成を強化学習の動的報酬として活用することにより、ARGUSはその推論経路を進化する規制と同期させる。 産業と公共の両方のデータセットに対する大規模な実験は、ARGUSが従来の微調整ベースラインを著しく上回り、最小限の金データで優れた政策適応学習を実現することを示した。

関連論文リスト

• Responsible AI: The Good, The Bad, The AI [1.932555230783329]
  本稿では,戦略的情報システムのレンズを通して,AIの二重性に関する包括的考察を行う。 我々は,(1)AI導入の戦略的利益,(2)固有のリスクと意図しない結果,(3)組織がこれらの緊張をナビゲートできるガバナンスメカニズムを具体化する,パラドックスベースの責任AIガバナンス(PRAIG)フレームワークを開発する。 この論文は、責任あるAIガバナンスの奨学金を進めるための研究課題で締めくくっている。
  論文  参考訳（メタデータ） (2026-01-28T22:33:27Z)
• Unsupervised Robust Domain Adaptation: Paradigm, Theory and Algorithm [58.350254095190365]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル豊富なソースドメインから、ドメインシフトに対処することで、ラベルなしのターゲットドメインに知識を転送することを目的としている。 ほとんどのUDAアプローチは転送能力を強調しているが、敵の攻撃に対する堅牢性を見落としていることが多い。 本稿は, 1) 防衛効果として知られるVATがUDAパラダイムで失敗する理由, 2) 攻撃下の一般化境界理論と, 古典的UDA理論からどのように進化するか, の3つに焦点をあてる。
  論文  参考訳（メタデータ） (2025-11-14T06:54:06Z)
• ArGen: Auto-Regulation of Generative AI via GRPO and Policy-as-Code [0.0]
  ArGenは、倫理原則、運用安全プロトコル、規制コンプライアンス標準にまたがる複雑なルールで大規模言語モデルを調整するためのフレームワークである。 ArGenの方法論は、技術的に熟練し、倫理的に堅牢で、様々なグローバルな文脈における安全な配置に確実に準拠する「統治可能なAl」システムへの道筋を提供する。
  論文  参考訳（メタデータ） (2025-09-06T04:33:16Z)
• Classification is a RAG problem: A case study on hate speech detection [6.716186124523375]
  Retrieval-Augmented Generation (RAG) を用いた分類法を提案する。 RAGは従来の分類タスクを、推論時に検索した文脈的知識に関連してコンテンツを評価するようにシフトする。 ヘイトスピーチ検出では、これはタスクを「ヘイトスピーチか?」から「ヘイトスピーチポリシーに違反しているのか?」に変換する。
  論文  参考訳（メタデータ） (2025-08-08T10:35:41Z)
• Know3-RAG: A Knowledge-aware RAG Framework with Adaptive Retrieval, Generation, and Filtering [9.814926166669366]
  我々は知識グラフ(KG)から構造化知識を活用する知識認識RAGフレームワークであるKnow3-RAGを提案し、検索、生成、フィルタリングを含むRAGプロセスの3つの中核段階を導出する。 複数のオープンドメインQAベンチマークの実験では、Know3-RAGは強いベースラインを一貫して上回り、幻覚を著しく減らし、回答の信頼性を向上している。
  論文  参考訳（メタデータ） (2025-05-19T03:25:18Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• Rule-Guided Reinforcement Learning Policy Evaluation and Improvement [9.077163856137505]
  LEGIBLEは、深層強化学習ポリシーを改善するための新しいアプローチである。 それは、部分的に象徴的な表現を構成する深いRLポリシーからルールをマイニングすることから始まる。 第2のステップでは、メタモルフィック関係として表現されたドメイン知識を用いて、マイニングされたルールを一般化する。 第3のステップは、一般化されたルールを評価し、実行時にどの一般化がパフォーマンスを改善するかを決定することである。
  論文  参考訳（メタデータ） (2025-03-12T11:13:08Z)
• Decision Mamba: A Multi-Grained State Space Model with Self-Evolution Regularization for Offline RL [57.202733701029594]
  本稿では,自己進化型政策学習戦略を持つ新しい多粒状態空間モデル(SSM)であるDecision Mambaを提案する。 これらの課題に対処するため、我々は自己進化型政策学習戦略を持つ新しい多粒状態空間モデル(SSM)であるDecision Mambaを提案する。 雑音性軌道上における過度に適合する問題を緩和するために,進行正則化を用いて自己進化政策を提案する。
  論文  参考訳（メタデータ） (2024-06-08T10:12:00Z)
• Privacy-Constrained Policies via Mutual Information Regularized Policy Gradients [54.98496284653234]
  報酬を最大化しつつ、行動を通じて特定の機密状態変数の開示を最小限に抑えながら、報酬を最大化する政策を訓練する課題を考察する。 本稿では, 感性状態と行動の相互情報に基づく正則化器を導入することで, この問題を解決する。 プライバシ制約のあるポリシーを最適化するためのモデルベース推定器を開発した。
  論文  参考訳（メタデータ） (2020-12-30T03:22:35Z)

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。