論文の概要: Decision-Making under Combinatorial Risk

• arxiv url: http://arxiv.org/abs/2606.10092v1
• Date: Mon, 08 Jun 2026 19:17:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.152143
• Title: Decision-Making under Combinatorial Risk
• Title（参考訳）: コンビニアルリスク下における意思決定
• Authors: Yifan Hong, Hongmiao Fan, Chen Wang,
• Abstract要約: リスク下での意思決定は、通常単発の宝くじ選択によって研究される。 我々は、リスク下での意思決定を調査するための投資配分タスクを導入し、そこでは、コンポーネントへの投資がその成功確率を高める。 提案手法では,誘導確率質量関数が現れる場合にのみ,その中心となる特徴を通じてリスクをナビゲートし,宝くじ評価にシフトすることを示す。
• 参考スコア（独自算出の注目度）: 2.3557380328665265
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Decision-making under risk is typically studied through single-shot lottery choices. Yet many real decisions involve combinatorial risk, where risk arises from multiple risky components, so the lottery over outcomes is induced rather than given outright and can be costly to evaluate exactly. We introduce an investment-allocation task to study decision under combinatorial risk, where investing in a component raises its success probability and thereby reshapes the outcome distribution. Participants favor the option with the larger probability increment, and, when increments are equal, the option with the higher initial success probability. Revealing the induced probability mass function (PMF) substantially changes behavior, making participants less responsive to combinatorial-risk features and reducing choice variance. To explain these patterns, we move beyond standard benchmarks and hand-crafted hypotheses with symbolic regression to discover compact descriptive models. The discovered models rely mainly on combinatorial-risk features, such as the after-investment success probability, rather than exact evaluation of the full induced distribution. Behavior under the displayed PMF is then well explained by augmenting this model with a prospect-theoretic residual model. The results show that people navigate combinatorial risk primarily through its core features, shifting toward lottery valuation only when the induced PMF is displayed.
• Abstract（参考訳）: リスク下での意思決定は、通常単発の宝くじ選択によって研究される。 しかし、実際の決定の多くは、複数のリスクのあるコンポーネントからリスクが発生する組合せリスクを伴っているため、結果に対する宝くじは、完全に与えられるのではなく、引き起こされ、正確に評価するのにコストがかかる。 複合リスク下での意思決定のための投資配分タスクを導入する。そこでは、コンポーネントへの投資がその成功確率を高め、その結果、成果分布を再評価する。 参加者は、より大きな確率インクリメントでオプションを好んでおり、インクリメントが等しい場合には、より高い初期成功確率でオプションを選択できる。 誘発確率質量関数(PMF)の展開は行動を大きく変化させ、参加者は組合せリスクの特徴に反応しにくくなり、選択のばらつきが減少する。 これらのパターンを説明するために、我々は標準的なベンチマークや記号回帰を用いた手作り仮説を超えて、コンパクトな記述モデルを発見する。 得られたモデルは主に、完全な帰納分布の正確な評価よりも、後投資成功確率のような組合せリスクの特徴に依存している。 表示されたPMFの下での挙動は、このモデルを事前理論的残留モデルで拡張することによってよく説明される。 以上の結果から,PMFが誘導された場合にのみ,主成分として宝くじ評価に移行し,組み合わせリスクを回避できることが示唆された。

関連論文リスト

• Enhancing a Risk Model by Adding Transient Statistical Factors [90.40844650665713]
  資産収益の推定は、金融ポートフォリオの構築と評価の鍵となる要素である。 既存の因子モデルを強化するために,最大推定値に基づく体系的手法を提案する。 提案した拡張は,元のモデルに欠落したリターンの構造をキャプチャすることを示す。
  論文  参考訳（メタデータ） (2026-05-13T04:15:24Z)
• Answer, Refuse, or Guess? Investigating Risk-Aware Decision Making in Language Models [63.559461750135334]
  言語モデル(LM)は、目標を達成するために自律的に行動可能なエージェントを構築するために、ますます使われています。 本研究では,人為的リスク構造を体系的に変化させる評価枠組みを用いて,この「回答または延期」問題を考察する。 回答や判断に要する独立したスキルを分離した簡易なスキル分解手法が,LMの意思決定ポリシーを一貫して改善できることがわかった。
  論文  参考訳（メタデータ） (2025-03-03T09:16:26Z)
• Mitigating optimistic bias in entropic risk estimation and optimization with an application to insurance [5.407319151576265]
  エントロピーリスク尺度は、不確実な損失に関連する尾のリスクを説明するために広く使用されている。 経験的エントロピーリスク推定器のバイアスを軽減するために, 強く一貫したブートストラップ手法を提案する。 当社の手法は、住宅所有者に対してより高い(そしてより正確な)プレミアムを示唆している。
  論文  参考訳（メタデータ） (2024-09-30T04:02:52Z)
• Data-Adaptive Tradeoffs among Multiple Risks in Distribution-Free Prediction [55.77015419028725]
  しきい値とトレードオフパラメータが適応的に選択された場合、リスクの有効な制御を可能にする手法を開発する。 提案手法は単調なリスクとほぼ単調なリスクをサポートするが,それ以外は分布的な仮定はしない。
  論文  参考訳（メタデータ） (2024-03-28T17:28:06Z)
• RiskQ: Risk-sensitive Multi-Agent Reinforcement Learning Value Factorization [49.26510528455664]
  本稿では,リスクに敏感な個人・グローバル・マックス(RIGM)の原則を,個人・グローバル・マックス(IGM)と分散IGM(DIGM)の原則の一般化として紹介する。 RiskQは広範な実験によって有望な性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-11-03T07:18:36Z)
• Risk-Averse MDPs under Reward Ambiguity [9.929659318167731]
  本稿では,リスクと報酬のあいまいさの下で,マルコフ決定過程(MDP)の分布的に堅牢なリターンリスクモデルを提案する。 スケーラブルな一階述語アルゴリズムは大規模問題の解法として設計されている。
  論文  参考訳（メタデータ） (2023-01-03T11:06:30Z)
• Risk-Sensitive Policy with Distributional Reinforcement Learning [4.523089386111081]
  本研究は、リスクに敏感なシーケンシャルな意思決定ポリシーを導出する、分布RLに基づく新しい手法を提案する。 リスクベースのユーティリティ関数$U$と名付けられ、任意の分布RLアルゴリズムによって自然に学習されたランダムリターン分布$Z$から抽出することができる。 これにより、リスク最小化と期待されるリターン最大化の間の完全な潜在的なトレードオフをまたがることができる。
  論文  参考訳（メタデータ） (2022-12-30T14:37:28Z)
• Efficient Risk-Averse Reinforcement Learning [79.61412643761034]
  リスク逆強化学習(RL)では、リターンのリスク測定を最適化することが目標である。 特定の条件下では、これは必然的に局所最適障壁につながることを証明し、それを回避するためのソフトリスク機構を提案する。 迷路ナビゲーション,自律運転,資源配分ベンチマークにおいて,リスク回避の改善を示す。
  論文  参考訳（メタデータ） (2022-05-10T19:40:52Z)

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。