論文の概要: The Design and Composition of Structural Causal Decision Processes
- arxiv url: http://arxiv.org/abs/2605.02681v1
- Date: Mon, 04 May 2026 15:00:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:50.349232
- Title: The Design and Composition of Structural Causal Decision Processes
- Title（参考訳）: 構造因果決定プロセスの設計と構成
- Authors: Sebastian Benthall, Alan Lujan,
- Abstract要約: 意思決定エージェントの因果モデルの2つの新しいクラスを提示する。
SCDMはモデル変数とエージェント決定の支払いの間の因果関係を表す。
SCDPは、デジタル経済の政策シミュレーション、情報システムのためのメカニズム設計、サイバーインフラ構造のデジタルツインモデリングに有用なフレームワークである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We present two new classes of causal models of decision-making agents. Our approach is motivated by the needs of modeling the economics of computing systems. These systems are composed of subsystems and can exhibit endogenous limits on cognitive resources and value discounting. Structural Causal Decision Models (SCDMs) expand on Structural Causal Influence Models. Like SCIMs, they explicitly represent the causal relationships between model variables and the payoffs of agent decisions. Additionally, agent decisions can be constrained by their causal antecedents, and SCDMs can have open root variables for which no probability distribution or structural equation is given. We show that SCDMs have a well-defined and computationally useful property of composability. Building on SCDMs, we then define a Structural Causal Decision Process (SCDP) as a recurring SCDM with a discount variable. SCDPs benefit from the useful composition properties of SCDMs. Moreover, SCDPs are strictly more expressive than POMDPs because they do not assume rational belief formation. Indeed, an SCDP can endogenously model the memory-formation process, and is thus useful for modeling resource rational agents in dynamic settings. SCDPs are also capable of modeling variable discounting, a tool used widely in social scientific modeling. We pose that SCDPs are a useful framework for policy simulation for the digital economy, mechanism design for information systems, and digital twin modeling of cyberinfrastructure.
- Abstract（参考訳）: 意思決定エージェントの因果モデルの2つの新しいクラスを提示する。
我々のアプローチは、コンピューティングシステムの経済をモデル化する必要性によって動機付けられている。
これらのシステムはサブシステムで構成されており、認知資源や価値の割引に内在的な制限を与えることができる。
構造因果決定モデル(SCDM)は構造因果影響モデルに拡張される。
SCIMと同様に、モデル変数とエージェント決定の支払いの間の因果関係を明示的に表現する。
さらに、エージェントの決定は因果前駆体によって制約され、SCDMは確率分布や構造方程式が与えられない開根変数を持つことができる。
SCDMは, 構成性によく定義され, 計算上有用であることを示す。
SCDMをベースとした構造因果決定プロセス(SCDP)を,ディスカウント変数を持つ繰り返しSCDMとして定義する。
SCDPはSCDMの有用な組成特性の恩恵を受ける。
さらに、SCDPは、合理的な信念の形成を前提としないため、POMDPよりも厳密に表現力が高い。
実際、SCDPはメモリ形成過程を不均一にモデル化することができ、動的な設定でリソース合理的なエージェントをモデル化するのに有用である。
SCDPはまた、社会科学的モデリングで広く使われている可変割引をモデル化することができる。
我々は、SCDPがデジタル経済の政策シミュレーション、情報システムのためのメカニズム設計、サイバーインフラ構造のデジタルツインモデリングに有用なフレームワークであることを示す。
関連論文リスト
- CARD: Towards Conditional Design of Multi-agent Topological Structures [83.18278008173746]
CARD(Conditional Agentic Graph Designer)は、アダプティブマルチエージェント通信のためのプロトコルであるAMACPをインスタンス化する、条件付きグラフ生成フレームワークである。
CARDは、モデル能力やリソース可用性の変化に対して効果的かつレジリエントな通信構造を生成する。
論文 参考訳（メタデータ） (2026-03-01T13:02:36Z) - Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。
本研究では,時間領域毎に最適な因果予測値が得られることを示す。
合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
論文 参考訳（メタデータ） (2025-06-21T14:05:37Z) - Towards Causal Model-Based Policy Optimization [0.24578723416255752]
因果モデルに基づく政策最適化(C-MBPO)を紹介する。
C-MBPOは、因果学習をモデルベース強化学習パイプラインに統合する新しいフレームワークである。
我々は、C-MBPOが、動的に急激で非因果関係に影響を及ぼす分布シフトのクラスに対して堅牢であることを示す。
論文 参考訳（メタデータ） (2025-03-12T18:09:02Z) - Binarized Diffusion Model for Image Super-Resolution [61.963833405167875]
超圧縮アルゴリズムであるバイナリ化は、高度な拡散モデル(DM)を効果的に加速する可能性を提供する
既存の二項化法では性能が著しく低下する。
画像SRのための新しいバイナライズ拡散モデルBI-DiffSRを提案する。
論文 参考訳（メタデータ） (2024-06-09T10:30:25Z) - Distribution-consistency Structural Causal Models [6.276417011421679]
我々は,新しいテクスト分布-一貫性仮定を導入し,それに合わせて分布-一貫性構造因果モデル(DiscoSCM)を提案する。
モデルキャパシティの強化を具体化するために,DiscoSCM単独で実用的重要性を有する新たな因果パラメータ,一貫性のテキスト化(textitthe probability of consistency)を導入する。
論文 参考訳（メタデータ） (2024-01-29T06:46:15Z) - Modeling Boundedly Rational Agents with Latent Inference Budgets [56.24971011281947]
エージェントの計算制約を明示的にモデル化する潜在推論予算モデル(L-IBM)を導入する。
L-IBMは、最適なアクターの多様な集団のデータを使ってエージェントモデルを学ぶことができる。
我々は,L-IBMが不確実性の下での意思決定のボルツマンモデルに適合しているか,あるいは上回っていることを示す。
論文 参考訳（メタデータ） (2023-12-07T03:55:51Z) - Towards risk-informed PBSHM: Populations as hierarchical systems [0.0]
本稿では、リスクベースの意思決定プロセスがそれらの内部で特定されるように、構造群を形式的に表現する。
人口ベース表現は、断層木を定義する確率論的リスクベースの決定枠組みの中で使用される構造の階層的表現の拡張である。
論文 参考訳（メタデータ） (2023-03-13T15:42:50Z) - Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。
この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。
実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
論文 参考訳（メタデータ） (2020-08-02T11:19:36Z)
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。