論文の概要: Bayesian Rational Search Engine User

• arxiv url: http://arxiv.org/abs/2605.24233v1
• Date: Fri, 22 May 2026 21:22:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.76586
• Title: Bayesian Rational Search Engine User
• Title（参考訳）: ベイジアン合理検索エンジンのユーザ
• Authors: Shichao Ma,
• Abstract要約: ページ上の平均項目を奥行きに依存した閾値で後部平均値を超えると,利用者はすぐに停止する。 このモデルは、ユーザが停止する理由に関する3つの隠されたメカニズム(トラスト、コミット、カットロス)を明らかにし、テスト可能な豊富な意味を持つ。
• 参考スコア（独自算出の注目度）: 4.149972584899897
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A user faces a list returned by a search system, ordered by a noisy proxy for relevance, and decides sequentially whether to pay a fixed cost to inspect another item or stop with the best she has uncovered. She does not enter the page knowing how good its items are, so each inspection both produces a candidate item and refines her belief about the page's underlying quality. We show the optimal policy is a standout rule: the user stops as soon as her best find exceeds her posterior mean of an average item on the page by a depth-dependent threshold. The induced dynamics collapse to a one-dimensional Markov chain, which yields the full distribution of inspection depth through a closed-form recursion. The model uncovers three hidden mechanisms (trust, commit, and cut-losses) on why users stop and yields a rich set of testable implications. Moreover, the Bayesian-rational view delivers a novel learning-to-rank likelihood: an observed depth censors the latent relevance path into a polyhedron of survival inequalities, whose Gaussian probability is a differentiable function of any feature-based relevance prediction.
• Abstract（参考訳）: ユーザは、ノイズの多いプロキシが関連性のために注文した検索システムによって返却されたリストに直面し、他のアイテムを検査するために固定費用を支払うか、または見つけたベストで停止するかを順次決定する。 彼女は項目の良さを知らないため、それぞれの検査で候補項目が生成され、ページの根底にある品質に対する信念が洗練される。 利用者は、最良発見がページ上の平均アイテムの後方平均を超えるとすぐに、深さ依存しきい値で停止する。 誘導力学は1次元マルコフ連鎖に崩壊し、閉形式再帰を通じて検査深さの完全な分布をもたらす。 このモデルは、ユーザが停止する理由に関する3つの隠されたメカニズム(トラスト、コミット、カットロス)を明らかにし、テスト可能な豊富な意味を持つ。 観測された深度は、潜在不等式の多面体への潜伏関連経路を検閲し、ガウス確率は特徴に基づく関連性予測の微分可能な関数である。

関連論文リスト

• When Noisy Quantum Order Finding Remains Recoverable for Shor's Algorithm [0.06610877051761614]
  問題インスタンスと回路設定にまたがるIBM量子システムからの680の分布を解析する。 その結果, 回収性は, 測定された分布における残留コーム様構造と強く関連していることがわかった。 いくつかの高度に歪んだ分布は、証明された分母が後処理質量を支配しているときに回復可能である。
  論文  参考訳（メタデータ） (2026-05-15T15:35:31Z)
• Online Set Learning from Precision and Recall Feedback [60.00180898830079]
  オンライン設定でドメインの未知のサブセットである$N_texttarget$を学習する問題を考察する。 この単純なオンラインセット学習問題は、精度とリコール型のフィードバックで様々な学習シナリオを抽象化する。 この設定で仮説クラスが学習可能であることを示し、それが有限のヴァプニク・チェルヴォネンキス次元を持つ場合に限る。
  論文  参考訳（メタデータ） (2026-05-10T14:28:05Z)
• Nearly Optimal Bayesian Inference for Structural Missingness [23.988531482641307]
  ベイズ的な見方では、後続の予測分布による予測は、完全なモデル後続の不確実性の上に統合される。 このフレームワークは、(II)ラベル予測からモデル内の欠損値後部を学習し、予測後部分布を最適化する。 43の分類と15の計算ベンチマークでSOTAを達成し、ベイズ最適性保証の近くに有限サンプルを持つ。
  論文  参考訳（メタデータ） (2026-01-26T14:03:11Z)
• Stochastic CHAOS: Why Deterministic Inference Kills, and Distributional Variability Is the Heartbeat of Artifical Cognition [14.945980804235885]
  LLMにとって、決定論的推論は致命的である、と我々は主張する。 不確実性をモデル化し、創発的な能力を抑え、単一の脆い経路に推論を崩壊させ、尾のリスクを隠すことで安全性のアライメントを弱める。
  論文  参考訳（メタデータ） (2026-01-12T06:19:09Z)
• A Principled Approach to Randomized Selection under Uncertainty: Applications to Peer Review and Grant Funding [61.86327960322782]
  本稿では,各項目の品質の間隔推定に基づくランダム化意思決定の枠組みを提案する。 最適化に基づく最適化手法であるMERITを導入する。 MERITが既存のアプローチで保証されていない望ましい公理特性を満たすことを証明している。
  論文  参考訳（メタデータ） (2025-06-23T19:59:30Z)
• Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
  Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。 本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。 我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
  論文  参考訳（メタデータ） (2022-01-16T12:38:45Z)
• Regret in Online Recommendation Systems [73.58127515175127]
  本稿では,オンライン環境におけるレコメンデーションシステムの理論的分析について提案する。 各ラウンドにおいて、ユーザがランダムに$m$ユーザから選択され、レコメンデーションが要求される。決定者は、ユーザを観察し、$n$アイテムのカタログからアイテムを選択する。 推奨アルゴリズムのパフォーマンスは、これらの可能性を認識したOracleアルゴリズムを参照して、その後悔を通じて取得される。
  論文  参考訳（メタデータ） (2020-10-23T12:48:35Z)

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。