論文の概要: Adaptivity Under Realizability Constraints: Comparing In-Context and Agentic Learning

• arxiv url: http://arxiv.org/abs/2605.04995v1
• Date: Wed, 06 May 2026 14:53:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.888132
• Title: Adaptivity Under Realizability Constraints: Comparing In-Context and Agentic Learning
• Title（参考訳）: 実現可能性制約下における適応性--文脈とエージェント学習の比較
• Abstract要約: クエリと近似を任意の関数とする制限のないレギュレーションと、ReLUニューラルネットワークによってこれらの操作を実装するための実現可能なレギュレーションという2つの設定を検討する。 どちらの設定でも、適応性は近似性能を妨げることはない。 しかし、この利点は、制限されない体制から実現可能な体制に移行したときに変化する可能性がある。
• 参考スコア（独自算出の注目度）: 10.839949158755656
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We compare in-context learning with fixed queries and agentic learning with adaptive queries for uniform approximation of task families. We consider two settings: an unrestricted regime, where querying and approximation are arbitrary functions, and a realizable regime, where we require these operations to be implemented by ReLU neural networks. In both settings, adaptivity never hinders approximation performance. However, this advantage can change when one passes from the unrestricted regime to the realizable regime. We identify four distinct approximation scenarios, each witnessed by an explicit task family: (a) no advantage of adaptivity; (b) an advantage in the unrestricted regime that persists under ReLU realizability; (c) an advantage that arises only under realizability; and (d) an advantage that disappears under realizability. This demonstrates that representational constraints interact profoundly with the effect of adaptivity.
• Abstract（参考訳）: テキスト内学習と定型クエリ,エージェント学習と適応型クエリを比較し,タスクファミリーの均一な近似を行う。 クエリと近似を任意の関数とする制限のないレギュレーションと、ReLUニューラルネットワークによってこれらの操作を実装するための実現可能なレギュレーションという2つの設定を検討する。 どちらの設定でも、適応性は近似性能を妨げることはない。 しかし、この利点は、制限されない体制から実現可能な体制に移行したときに変化する可能性がある。 我々は4つの異なる近似シナリオを特定し、それぞれが明示的なタスクファミリーによって目撃される。 a) 適応性の利点がないこと b) ReLU実現可能性の下で継続する制限のない体制における優位性 (c)実現可能性にのみ生じる利点、及び (d)実現可能性の下で消滅する利点。 このことは、表現的制約が適応性の効果と深く相互作用することを示している。

関連論文リスト

• Resilient Constrained Reinforcement Learning [87.4374430686956]
  本稿では,複数の制約仕様を事前に特定しない制約付き強化学習(RL)のクラスについて検討する。 報酬訓練目標と制約満足度との間に不明確なトレードオフがあるため、適切な制約仕様を特定することは困難である。 我々は、ポリシーと制約仕様を一緒に検索する新しい制約付きRLアプローチを提案する。
  論文  参考訳（メタデータ） (2023-12-28T18:28:23Z)
• Using Property Elicitation to Understand the Impacts of Fairness Regularizers [0.32634122554914]
  我々は、どの正規化器が損失の最小化器を変化させるか、また、最小化器が変化した場合、どのように変化するかを十分に理解していないことを示す。 データ分布の変化と制約の硬さの両方の関数として,アルゴリズムによる意思決定がどのように変化するかを実証的に示す。
  論文  参考訳（メタデータ） (2023-09-20T14:20:56Z)
• Resilient Constrained Learning [94.27081585149836]
  本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。 我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
  論文  参考訳（メタデータ） (2023-06-04T18:14:18Z)
• Adaptive Decision-Making with Constraints and Dependent Losses: Performance Guarantees and Applications to Online and Nonlinear Identification [5.787117733071415]
  エージェントが有限の選択肢の中から繰り返し選択することで累積性能目標を最適化する適応的意思決定問題を考える。 我々のアルゴリズムと分析はインスタンス依存であり、つまり、環境の最適以下の選択は、我々の後悔の限界に利用され、反映される。 得られたアルゴリズムの性能は2つの数値例で強調される。
  論文  参考訳（メタデータ） (2023-04-06T18:32:26Z)
• Beyond the Return: Off-policy Function Estimation under User-specified Error-measuring Distributions [8.881195152638986]
  オフ・ポリティィ・アセスメント(英語: Off-policy Evaluation)は、政策の期待された回帰を推定し、その価値関数を推定する2つの関連するタスクを指す。 疎外化重要度サンプリングの目的に対して適切な正則化を課すことにより、実現可能性のみの下での非政治機能推定の保証を提供する。
  論文  参考訳（メタデータ） (2022-10-27T15:34:17Z)
• Disentangled Federated Learning for Tackling Attributes Skew via Invariant Aggregation and Diversity Transferring [104.19414150171472]
  属性は、クライアント間の一貫した最適化方向から、現在の連邦学習(FL)フレームワークを歪めます。 本稿では,ドメイン固有属性とクロス不変属性を2つの補足枝に分離するために,非絡み付きフェデレーション学習(DFL)を提案する。 実験により、DFLはSOTA FL法と比較して高い性能、より良い解釈可能性、より高速な収束率でFLを促進することが確認された。
  論文  参考訳（メタデータ） (2022-06-14T13:12:12Z)
• Stabilizing Q-learning with Linear Architectures for Provably Efficient Learning [53.17258888552998]
  本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。 このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
  論文  参考訳（メタデータ） (2022-06-01T23:26:51Z)
• Fair Incentives for Repeated Engagement [0.46040036610482665]
  我々は、参加決定が受け取ったインセンティブに依存するエージェントに直面する場合、維持のための最適な金融インセンティブスキームを見つけるという課題について検討する。 明示的な差別がなくても、システムの種類構成を変化させることで、ポリシーが無意識に異なるタイプのエージェントを識別できることが示される。
  論文  参考訳（メタデータ） (2021-10-28T04:13:53Z)
• Improper Learning with Gradient-based Policy Optimization [62.50997487685586]
  未知のマルコフ決定過程に対して学習者がmベースコントローラを与えられる不適切な強化学習設定を考える。 制御器の不適切な混合のクラス上で動作する勾配に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-16T14:53:55Z)
• Efficient Empowerment Estimation for Unsupervised Stabilization [75.32013242448151]
  エンパワーメント原理は 直立位置での 力学系の教師なし安定化を可能にする 本稿では,ガウスチャネルとして動的システムのトレーニング可能な表現に基づく代替解を提案する。 提案手法は, サンプルの複雑さが低く, 訓練時より安定であり, エンパワーメント機能の本質的特性を有し, 画像からエンパワーメントを推定できることを示す。
  論文  参考訳（メタデータ） (2020-07-14T21:10:16Z)

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。