論文の概要: Universal Decision Learners

• arxiv url: http://arxiv.org/abs/2605.30694v1
• Date: Fri, 29 May 2026 00:37:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.310318
• Title: Universal Decision Learners
• Title（参考訳）: ユニバーサル意思決定学習者
• Abstract要約: 意思決定に関する多くの理論は、局所的な情報を世界的一貫性のある行動に変える。 本稿では,共通分類式であるUniversal Decision Learner(UDL)を提案する。 ベルマン方程式、計画的再帰、因果介入、オンライン後悔、均衡が特別な場合としてどのように生じるかを示す。
• 参考スコア（独自算出の注目度）: 1.3295383263113112
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many theories of decision making -- planning, reinforcement learning, causal intervention, online learning, and game-theoretic equilibrium -- turn local information into globally coherent behavior. This paper proposes a common categorical formulation: a Universal Decision Learner (UDL) extends a partially specified decision functor from observed contexts to new contexts by a pair of universal constructions. Left Kan extensions express rollout, aggregation, and candidate generation; right Kan extensions express consistency, constraint satisfaction, and fixed-point semantics. The central claim is not that every decision problem has the same algorithm, but that many decision formalisms instantiate the same universal problem: extend local behavioral data canonically, then characterize the globally coherent extensions. We give the abstract UDL construction, prove its universal comparison property, define Kan-invariant behavioral equivalence and minimal abstractions, and show how Bellman equations, planning recursions, causal interventions, online regret, and equilibria arise as special cases. The supplementary material develops the reinforcement-learning specialization in more detail.
• Abstract（参考訳）: 意思決定の多くの理論 - 計画、強化学習、因果介入、オンライン学習、ゲーム理論の均衡 - は、ローカル情報を世界的な一貫性のある行動に変える。 本稿では,UDL(Universal Decision Learner)の共通分類式を提案する。 左カン拡張はロールアウト、アグリゲーション、候補生成を表し、右カン拡張は一貫性、制約満足度、固定点意味論を表現する。 中心的な主張は、すべての決定問題は同じアルゴリズムを持っているのではなく、多くの決定形式が同じ普遍的な問題をインスタンス化している。 我々は、抽象的なUDLの構築、普遍的な比較特性の証明、カン不変の振る舞い同値性と最小の抽象化の定義、ベルマン方程式、計画的再帰、因果的介入、オンライン後悔、平衡が特別な場合としてどのように生じるかを示す。 補足材料は、強化学習専門化をより詳細に展開する。

関連論文リスト

• Explaining Reinforcement Learning Agents via Inductive Logic Programming [47.152170696893826]
  本研究の目的は、RL設定における政策説明可能性のための客観的かつ計画指向の指標を導入することにより、説明可能な強化学習(XRL)の最先端化である。 我々は、帰納的論理プログラミング(ILP)を用いて、RLポリシーのシンボル表現を抽出し、新しい説明可能性メトリクスセットを定義する。 これらのメトリクスは、シンボリックルールとエージェントの振る舞い、意思決定における特徴の役割、トレーニング中のポリシーの進化、およびシングルエージェントとマルチエージェントのRLにおけるエージェント間のアライメントを定量化する。
  論文  参考訳（メタデータ） (2026-07-15T10:02:55Z)
• Understanding Generalization through Decision Pattern Shift [46.36674063889302]
  決定パターンシフト(DPS)は、内部決定パターンの安定性を通じて一般化を定義する新しい視点である。 DPSは、トレーニング中に学んだものとの差分として、障害を定量化する。 これらの知見は,早期の一般化リスク検出,障害モード診断,チャネルレベルの欠陥局在の新たな可能性を開く。
  論文  参考訳（メタデータ） (2026-05-13T08:14:59Z)
• DIRCR: Dual-Inference Rule-Contrastive Reasoning for Solving RAVENs [53.41360935117212]
  本稿ではDIRCR(Dual-Inference Rule-Contrastive Reasoning)モデルを提案する。 そのコアコンポーネントであるDual-Inference Reasoning Moduleは、行のアナログ推論のローカルパスと、全体的推論のグローバルパスを組み合わせたものだ。 3つのRAVENデータセットの実験結果から、DIRCRはロバストネスと一般化を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2026-04-19T19:15:32Z)
• Argumentation for Explainable and Globally Contestable Decision Support with LLMs [16.75184263883707]
  ArgEvalは、インスタンス固有の推論から一般的な決定オプションの構造化評価に移行するフレームワークである。 これらのフレームワークは、グローバルな競争性をサポートしながら、特定のケースについて説明可能なレコメンデーションを提供する。 本稿では,ArgEvalが臨床実践に合わせて説明可能なガイダンスを作成できることを示す。
  論文  参考訳（メタデータ） (2026-03-15T22:37:14Z)
• Learning Structured Reasoning via Tractable Trajectory Control [99.75278337895024]
  Ctrl-Rは、トラクタブルな軌道制御を通じて構造化推論を学ぶためのフレームワークである。 Ctrl-Rは,従来達成できなかった推論パターンを効果的に探索し,内部化することができることを示す。
  論文  参考訳（メタデータ） (2026-03-02T09:18:19Z)
• Characterizing Online and Private Learnability under Distributional Constraints via Generalized Smoothness [63.833913892018536]
  本研究では、固定されたファミリー$U$からデータ生成分布を適応的に選択できる分布敵の下でのシーケンシャルな意思決定について検討する。 一般化滑らか性(Generalized smoothness)という概念の観点で学習可能性を認めるファミリー$U$のほぼ完全な特徴付けを提供する。 一般化された滑らかさは,分布制約下での個人学習性も特徴付けることを示す。
  論文  参考訳（メタデータ） (2026-02-24T06:15:59Z)
• Learning Consistent Causal Abstraction Networks [14.952578725545344]
  因果的人工知能は、構造因果モデル(SCM)を活用することにより、AIの説明可能性、堅牢性、信頼性を高めることを目的としている。 我々は一貫した抽象ネットワーク(CAN)に取り組む。 実験では、合成データの競合学習と多様なCAN構造の回復に成功した。
  論文  参考訳（メタデータ） (2026-02-02T16:16:29Z)
• The Causal Abstraction Network: Theory and Learning [14.952578725545344]
  因果的人工知能は、構造因果モデル(SCM)を活用することにより、AIの説明可能性、堅牢性、信頼性を高めることを目的としている。 近年の進歩は因果知識のネットワーク層を形式化している。 因果抽象ネットワーク (CAN) は, (i) がガウスであり, (ii) 写像が構成的線形抽象の転置であるようなせん断の具体例である。
  論文  参考訳（メタデータ） (2025-09-25T07:48:25Z)
• Meta-Causal Feature Learning for Out-of-Distribution Generalization [71.38239243414091]
  本稿では,協調タスク生成モジュール (BTG) とメタ因果特徴学習モジュール (MCFL) を含む,バランス付きメタ因果学習器 (BMCL) を提案する。 BMCLは、分類のためのクラス不変の視覚領域を効果的に識別し、最先端の手法の性能を向上させるための一般的なフレームワークとして機能する。
  論文  参考訳（メタデータ） (2022-08-22T09:07:02Z)
• Invariant Causal Prediction for Block MDPs [106.63346115341862]
  環境全体にわたる一般化は、実世界の課題への強化学習アルゴリズムの適用の成功に不可欠である。 本稿では,多環境環境における新しい観測を一般化するモデル不適合状態抽象化(MISA)を学習するための不変予測法を提案する。
  論文  参考訳（メタデータ） (2020-03-12T21:03:01Z)

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。