論文の概要: Quantitative Promise Theory: Intentionality and Inference in Autonomous Agents

• arxiv url: http://arxiv.org/abs/2606.08552v1
• Date: Sun, 07 Jun 2026 10:12:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.201879
• Title: Quantitative Promise Theory: Intentionality and Inference in Autonomous Agents
• Title（参考訳）: 量的約束理論:自律エージェントにおける意図と推論
• Authors: Mark Burgess,
• Abstract要約: 自律エージェントを含むプロセスにおけるPromise理論の定量的表現について論じる。 アクティブ推論を含むベイズ確率と情報理論の最適化を約束の意味論に組み込む方法について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: I discuss some quantitative representations of Promise Theory for processes involving autonomous agents. Agent models are common in software systems, machine learning, and biology, for example, but may also apply to physics and other forms of engineering. I describe how Bayesian probability and information theoretic optimization, including Active Inference, may be incorporated with promise semantics -- as well as how Promise Theory supplements solutions, helping to avoid probability's pitfalls, which include non-local coordination, calibrating, and normalizing probabilistic computations. The role of boundary conditions in constraining allowed states and selecting decision thresholds is a form of promise, and agent alignment provides a scalable definition of intent. Autonomous agents may congeal into swarms with superagent characteristics by trying to minimize their information, despite uncertainty that works to maximize it. The use of Promise Theory involves some research challenges as well as stylistic preferences.
• Abstract（参考訳）: 自律エージェントを含むプロセスにおけるPromise理論の定量的表現について論じる。 エージェントモデルは、例えばソフトウェアシステム、機械学習、生物学で一般的なものであるが、物理学やその他の工学の形式にも適用することができる。 私は、Active Inferenceを含むベイズ確率と情報理論の最適化が、どのようにして約束の意味論と、Promise Theoryがソリューションを補完し、非局所的な調整、校正、確率計算の正規化を含む確率の落とし穴を避けるのに役立つかを説明します。 許容状態の制約や決定しきい値の選択における境界条件の役割は約束の一形態であり、エージェントアライメントは意図のスケーラブルな定義を提供する。 自律的なエージェントは、情報を最大化するために機能する不確実性にもかかわらず、情報を最小化しようとすることで、スーパーエージェントの特徴を持つ群れに結集する。 Promise Theoryの使用には、いくつかの研究課題とスタイル的嗜好が含まれる。

関連論文リスト

• Position: agentic AI orchestration should be Bayes-consistent [92.04373485710285]
  本稿では,エージェントシステムのオーケストレーションレベルにおいて,一貫性のある意思決定にはベイズ原理が必要であることを論じる。 信念とユーティリティ対応ポリシーがエージェントAIオーケストレーションをどのように改善するかを説明するための例とデザインパターンを提供する。
  論文  参考訳（メタデータ） (2026-05-01T15:43:43Z)
• $γ(3,4)$ `Attention' in Cognitive Agents: Ontology-Free Knowledge Representations With Promise Theoretic Semantics [0.0]
  セマンティック・ダイナミックス・オブ・アテンション」は、自律エージェントのために開発された約束理論の概念と密接に関連している。 ベクトル化された機械学習と知識グラフの表現の間にブリッジを確立することができる。
  論文  参考訳（メタデータ） (2025-12-22T06:48:53Z)
• Embedded Universal Predictive Intelligence: a coherent framework for multi-agent learning [57.23345786304694]
  予測学習のための枠組みと自己予測を中心とした組込みエージェントを導入する。 マルチエージェント設定では、エージェントが類似したアルゴリズムを実行している他のエージェントについて推論することができる。 我々は、AIXIの理論を拡張し、Solomonoffから始まる普遍的なインテリジェントな埋め込みエージェントについて研究する。
  論文  参考訳（メタデータ） (2025-11-27T08:46:48Z)
• Intention-aware policy graphs: answering what, how, and why in opaque agents [0.1398098625978622]
  エージェントは、複雑な環境で相互作用し、創発的行動の可能性を高める、AIベースの特殊なソフトウェアである。 本稿では,確率的グラフィカルモデルと,そのようなモデル設計のためのパイプラインを提案する。 提案する説明の解釈可能性および信頼性を評価するために,提案手法を貢献する。 このモデルは、エージェントの行動と世界状態の一部を観察することで構築することができる。
  論文  参考訳（メタデータ） (2024-09-27T09:31:45Z)
• Gaussian Mixture Models for Affordance Learning using Bayesian Networks [50.18477618198277]
  Affordancesはアクション、オブジェクト、エフェクト間の関係の基本的な記述である。 本稿では,世界を探究し,その感覚経験から自律的にこれらの余裕を学習するエンボディエージェントの問題にアプローチする。
  論文  参考訳（メタデータ） (2024-02-08T22:05:45Z)
• Multi-Agent Verification and Control with Probabilistic Model Checking [4.56877715768796]
  確率的モデルチェック(probabilistic model check)は、ソフトウェアやハードウェアシステムに関する公式な自動推論手法である。 論理学、オートマトン、グラフ理論から最適化、数値法、制御に至るまで、様々な分野のアイデアと技術に基づいて構築される。 近年ではゲーム理論のアイデアを統合するために確率的モデル検査も拡張されている。
  論文  参考訳（メタデータ） (2023-08-05T09:31:32Z)
• Robots That Ask For Help: Uncertainty Alignment for Large Language Model Planners [85.03486419424647]
  KnowNoは、大きな言語モデルの不確実性を測定し、調整するためのフレームワークである。 KnowNoは、タスク完了に関する統計的保証を提供する共形予測理論に基づいている。
  論文  参考訳（メタデータ） (2023-07-04T21:25:12Z)
• CAMMARL: Conformal Action Modeling in Multi Agent Reinforcement Learning [5.865719902445064]
  本稿では,新しいマルチエージェント強化学習アルゴリズムCAMMARLを提案する。 それは、異なる状況における他のエージェントのアクションを、自信集合の形でモデル化することを含む。 本稿では,CAMMARLが共形予測セットをモデル化することにより,MARLにおける自律エージェントの能力を高めることを示す。
  論文  参考訳（メタデータ） (2023-06-19T19:03:53Z)
• Calibrating AI Models for Wireless Communications via Conformal Prediction [55.47458839587949]
  コンフォーマル予測は,通信システムにおけるAIの設計に初めて適用される。 本稿では,形式的校正保証付き決定を生成するAIモデルを得るための一般フレームワークとしての共形予測の適用について検討する。
  論文  参考訳（メタデータ） (2022-12-15T12:52:23Z)
• Decision-Making Among Bounded Rational Agents [5.24482648010213]
  本稿では,情報理論の観点からの有界合理性の概念をゲーム理論の枠組みに導入する。 これにより、ロボットは他のエージェントの準最適動作を推論し、計算上の制約の下で行動することができる。 その結果,ロボットが他のエージェントの理性行動の異なるレベルを推論し,その計算制約の下で合理的な戦略を計算できることが実証された。
  論文  参考訳（メタデータ） (2022-10-17T00:29:24Z)

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。