論文の概要: A causal modeling perspective on decision theory
- arxiv url: http://arxiv.org/abs/2606.29911v1
- Date: Mon, 29 Jun 2026 07:48:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.11592
- Title: A causal modeling perspective on decision theory
- Title（参考訳）: 意思決定論における因果モデリングの視点
- Abstract要約: 非パラメトリック構造方程式モデル(NPSEM)に基づく決定理論の形式的枠組みを導入する。
本稿では,エージェントに対して,自己の対実的効用を主観的に最大化するよう指示する,新たな意思決定理論,個人的決定理論を提案する。
- 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: Decision theory provides a formal framework for how agents should make choices under uncertainty, drawing on ideas from philosophy, probability, and causality. Despite significant progress, the field still lacks a unified modeling language, and key concepts - such as the distinction between subjective and objective elements, or what it means for a decision theory to perform well - are often left implicit. This can make it difficult to evaluate and compare competing theories, particularly in controversial cases. In this paper, we address these issues by introducing a formal framework for decision theory based on nonparametric structural equation models (NPSEMs), a well-established tool in causal inference. NPSEMs provide a unified foundation for representing agents, counterfactuals, and causal relationships, allowing for unambiguous definitions of EDT and CDT. Building on this foundation, we propose a novel decision theory - personal decision theory - which instructs agents to maximize a subjective model of their own counterfactual utility. We introduce a formal performance metric based on hypothetical interventions that enforce a given decision theory across a population - such as might be achieved through education or policy -- and show that, under certain assumptions, personal decision theory is optimal with respect to this metric. Throughout, we use the smoking lesion problem as a running example and conclude with a formal analysis of Newcomb's problem. Our aim is to provide decision theory with a clearer modeling language and firmer evaluative ground, thereby enabling more rigorous comparisons and facilitating conceptual progress in the field.
- Abstract（参考訳）: 決定論は、エージェントが不確実性の下で選択し、哲学、確率、因果関係からアイデアを引き出すための正式な枠組みを提供する。
かなりの進歩にもかかわらず、この分野は依然として統一モデリング言語が欠如しており、主観的要素と客観的要素の区別、あるいは意思決定理論がうまく機能することの意味など、重要な概念は暗黙的に残されていることが多い。
これは競合する理論、特に議論を呼んだ場合、評価と比較を困難にする可能性がある。
本稿では,非パラメトリック構造方程式モデル(NPSEM)に基づく決定理論の形式的枠組みを導入することにより,これらの課題に対処する。
NPSEMは、エージェント、反ファクト、因果関係を表現するための統一された基盤を提供し、EDTとCDTの曖昧な定義を可能にする。
本研究は, エージェントに対して, 自己の対物的効用を主観的モデルとして最大化するよう指示する, 新たな意思決定理論, 個人的意思決定理論を提案する。
本研究では, 人口に与えられた決定理論(教育や政策を通じて達成されるかもしれない)を強制する仮説的介入に基づく公式なパフォーマンス指標を導入し, 特定の仮定の下では, 個人的決定理論がこの指標に関して最適であることを示す。
以上より, 喫煙障害問題を例として用いて, ニューコームの問題点の形式的分析を行ない, 結論を導いた。
我々の目的は、より明確なモデリング言語と、より厳密な比較を可能にし、この分野における概念的な進歩を促進することにある。
関連論文リスト
- INSPIRE: An Internalize-Then-Improve Approach for Example-Driven Mathematical Reasoning [61.60016491769943]
人間の数学教育において、定理境界をテストするために反例を構築するような例に基づく推論は、深い概念的理解を反映している。
本稿では,RGSI(Reference-Guided Students Internalization)と段階的選好学習戦略を組み合わせた内在化・内在化アプローチであるINSPIREを提案する。
複数のモデルスケールとファミリーにわたる実験は、大規模なオープンソースモデルを超えながら、一貫した改善を示している。
論文 参考訳（メタデータ） (2026-08-27T03:24:03Z) - A Contractualist Argumentation Framework for Moral Decision-Making [0.0]
我々は、スカンロンの契約主義に根ざした道徳的意思決定のための公式な枠組みを提案する。
構造化された議論フレームワークであるASPIC+を用いて、各エージェントの値が道徳的に関連がある理由をどのように決定するかをモデル化する。
論文 参考訳（メタデータ） (2026-08-03T09:10:22Z) - Empirical Decision Theory [9.90463321344445]
不確実性の下で決定問題を解析するには、世界の記述可能性に関する仮定を理想化するのが一般的である。
ほとんどの古典的な決定論的アプローチは、世界の状態が到達不能であれば適用できない。
原理論の魅力と単純さを保った決定モデルを提案するが、世界の状態を明示する必要性を完全に克服する。
論文 参考訳（メタデータ） (2025-12-05T12:46:04Z) - Resolving Zadehs Paradox Axiomatic Possibility Theory as a Foundation for Reliable Artificial Intelligence [0.0]
この研究は、この危機の解決は可能性理論の領域にあるという仮説を前進させ、裏付けるものである。
この研究の目的は、可能性理論が単なる代替論ではなく、DSTパラドックスに対する根本的な解決法であることを示すことである。
論文 参考訳（メタデータ） (2025-12-04T21:13:16Z) - PRISM-Physics: Causal DAG-Based Process Evaluation for Physics Reasoning [57.868248683256574]
PRISM-Physicsはプロセスレベルの評価フレームワークであり、複雑な物理推論問題のベンチマークである。
解は公式の有向非巡回グラフ(DAG)として表される。
その結果,評価フレームワークは人的専門家のスコアと一致していることがわかった。
論文 参考訳（メタデータ） (2025-10-03T17:09:03Z) - Step-Aware Policy Optimization for Reasoning in Diffusion Large Language Models [57.42778606399764]
拡散言語モデル(dLLM)は、テキスト生成に有望で非自己回帰的なパラダイムを提供する。
現在の強化学習アプローチは、しばしばスパースで結果に基づく報酬に頼っている。
これは推論の自然な構造との根本的なミスマッチに由来すると我々は主張する。
論文 参考訳（メタデータ） (2025-10-02T00:34:15Z) - Understanding the Thinking Process of Reasoning Models: A Perspective from Schoenfeld's Episode Theory [17.17769349034675]
本稿では,Schoenfeld のエピソード理論を応用して,大規模推論モデルの推論トレースを分析する手法を提案する。
我々は,7つの認知ラベルを用いて,モデル生成解から数学問題への数千の文と段落を注釈付けした。
予備分析では,認知状態間の遷移ダイナミクスなど,LRM推論の異なるパターンが明らかになった。
論文 参考訳（メタデータ） (2025-09-18T06:42:41Z) - Hypothesis-Driven Theory-of-Mind Reasoning for Large Language Models [76.6028674686018]
エージェントの精神状態を追跡するための推論時間推論アルゴリズムである思考トレースを導入する。
提案アルゴリズムは,ベイズ理論をモデルとした。
本研究は,様々なベンチマークにおける思考トレーシングを評価し,大幅な性能向上を実証した。
論文 参考訳（メタデータ） (2025-02-17T15:08:50Z) - Conceptual and Unbiased Reasoning in Language Models [98.90677711523645]
本稿では,抽象的質問に対する概念的推論をモデルに強制する,新しい概念化フレームワークを提案する。
既存の大規模言語モデルは概念的推論では不足しており、様々なベンチマークでは9%から28%に低下している。
ハイレベルな抽象的推論が不偏で一般化可能な意思決定の鍵となるので、モデルがどのように改善できるかについて議論する。
論文 参考訳（メタデータ） (2024-03-30T00:53:53Z) - Strengthening Consistency Results in Modal Logic [0.0]
モーダル論理における根本的な問題は、与えられた理論が一貫性はあるが、何と一貫性があるのかである。
この問題に対処する典型的な方法は、背景知識公理の選択(例えば、S4、Dなど)を特定し、その背景公理と整合性のある理論によって導かれた仮定を示す。
本稿では、より堅牢な方法で整合性に対処するための命題モーダル論理の一般的な理論を紹介する。
論文 参考訳（メタデータ） (2023-07-11T07:05:37Z) - Causal Fairness Analysis [68.12191782657437]
意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。
我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。
本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
論文 参考訳（メタデータ） (2022-07-23T01:06:34Z) - QuLBIT: Quantum-Like Bayesian Inference Technologies for Cognition and
Decision [0.11470070927586014]
本稿では、量子論から派生した統合認知意思決定フレームワーク(QulBIT)の基礎を提供する。
本稿では,統合フレームワークの主要なモジュール,説明的分析手法について詳述し,その適用が確実な原則に反する状況で説明する。
論文 参考訳（メタデータ） (2020-05-30T09:02:03Z)
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。