論文の概要: When Regulation Has Memory: Hysteresis and Control Burden in Artificial Agency

• arxiv url: http://arxiv.org/abs/2606.30975v1
• Date: Mon, 29 Jun 2026 23:19:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.029959
• Title: When Regulation Has Memory: Hysteresis and Control Burden in Artificial Agency
• Title（参考訳）: 人工知能のヒステリシスとコントロールバーデン
• Abstract要約: 2つの系は同様の内部状態に到達し、一方はそこに到達するためにはるかに正確な制御を必要とする。 適応不確実性規制の計算モデルを用いて、その負担が歴史に依存するかどうかを検討する。 その結果、適応エージェントは組織化されているかどうかだけでなく、どの程度の規制を採用すべきかによって評価されるべきであることが示唆された。
• 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: Adaptive agents are usually judged by what they do, but an agent can appear stable while the internal effort required to keep it stable is increasing. This hidden regulatory burden matters for artificial agents operating under noise, delay, or changing demands: two systems may reach similar internal states while one requires much more corrective control to get there. Here, we study whether that burden depends on history. Using a computational model of adaptive uncertainty regulation, we drive an artificial agent through a continuous change in its uncertainty target and then reverse the change without resetting the agent. This creates a simple test for carryover: does the controller respond only to the current target, or does the path by which the agent reached that target still matter? The simulations show a clear history-dependent effect. The adaptive gain required to regulate the agent forms a reproducible hysteresis loop, meaning that the same target can require different levels of control depending on whether the agent is moving toward or returning from a more demanding regime. The timing of regulation also matters. When stabilization is available before disturbance exposure, the agent generally requires less adaptive gain than when it can only recover after disturbance has already acted. The state-level coherence measure also shows path dependence, but the timing effect is much clearer in regulatory gain. The main difference is therefore not that anticipatory regulation produces a completely different state. Rather, it reaches comparable regulated behavior with lower modeled control demand. These results suggest that adaptive agents should be evaluated not only by whether they remain organized, but by how much regulation they must recruit to do so.
• Abstract（参考訳）: 適応的エージェントは通常、彼らが何をするかによって判断されるが、エージェントは安定しているように見えるが、それを維持するのに必要な内部の労力は増大している。 ノイズ、遅延、または要求の変化の下で作動する人工エージェントに対するこの隠された規制上の問題:2つのシステムは同様の内部状態に到達し、一方はそこに到達するためにはるかに矯正的な制御を必要とする。 ここでは、その負担が歴史に依存するかどうかを考察する。 適応的不確実性制御の計算モデルを用いて、不確実性ターゲットの連続的な変化を通じて人工エージェントを駆動し、エージェントをリセットすることなくその変更を反転させる。 コントローラは現在のターゲットにのみ応答するか、あるいはエージェントがターゲットに到達したパスが依然として重要なのか? シミュレーションは、明らかに歴史に依存した効果を示す。 エージェントを調節するために必要な適応的な利得は再現可能なヒステリシスループを形成するため、エージェントがより要求のある状態から移動しているかどうかによって、同じターゲットが異なるレベルの制御を必要とする可能性がある。 規制の時期も重要だ。 乱れ露光前に安定化が可能である場合、通常、乱れが既に作用した後にのみ回復できる場合よりも適応的な利得が要求される。 状態レベルのコヒーレンス尺度もパス依存を示すが、タイミング効果は規制の利得においてより明確である。 したがって、予想的規制が全く異なる状態を生み出すわけではない。 むしろ、モデル化された制御要求が低いような、規制された行動に匹敵する。 これらの結果は, 適応剤が組織化されているか否かだけでなく, どの程度の規制を採り入れなければならないかによって評価されるべきであることを示唆している。

関連論文リスト

• Artificial Id: Drive and Persistent Alignment in Agentic AI [0.0]
  Agentic AIは、境界付けられたタスク実行から、連続状態を保持し、タスク境界を越えて操作と適応を続けるシステムに移行している。 本研究では, 動作継続, 停止, 変化の判定を行うための適応型内部ドライブである人工IDを提案する。
  論文  参考訳（メタデータ） (2026-09-10T17:56:41Z)
• Intermittent Control Is Not Diluted Control: A Switching Effect in Artificial Agency [0.0]
  単純な期待は、これらの条件の間を移動するエージェントは、2つの固定されたケースの重み付き平均のように振る舞うべきであるということである。 この論文は期待を裏切る可能性があることを示している。 状態履歴を保持する模擬適応剤では、間欠的な予測制御へのアクセスは規制の負担を軽減する。
  論文  参考訳（メタデータ） (2026-07-19T22:51:44Z)
• Structural Distinguishability of Static and Adaptive Policy Regimes in Agent-Based Regulatory Simulation [0.0]
  本稿では,新しい汎用フレームワークではなく,制御されたシミュレーションベンチマークに寄与する。 本研究は, ナイーブな固定ポリシー, トラッキング対応の固定ポリシ, および, セットポイント, 安全マージン, 片側制御の3つの適応コントローラを評価する。 このコントリビューションは、スカラーインジケータ、キャップ相対的なシンボル診断、軌跡モチーフ、視覚検査によって、平均的な結果が類似しているように見える場合でも、どのように規制の結論が異なるかを共同で明らかにする。
  論文  参考訳（メタデータ） (2026-06-15T10:06:32Z)
• Learning to Orchestrate Agents under Uncertainty [6.259311190073734]
  本研究では,不確実性下における異種エージェントの適応的オーケストレーションの問題について検討する。 エージェントよりも帯域幅の問題としてオーケストレーションをリキャストする軽量フレームワークであるBOT-Orchを提案する。 正規化オーケストレーションは標準的な仮定で$mathcalO(sqrtT)$ regretを楽しんでおり、同じ平均報酬を持つエージェント間の選好順序を確実に誘導するが、分布アライメントが異なることを示す。
  論文  参考訳（メタデータ） (2026-05-26T14:23:22Z)
• Your Agents Are Aging Too: Agent Lifespan Engineering for Deployed Systems [60.79651380135334]
  長寿命のAIエージェントは、永続的な運用システムとしてますますデプロイされる。 エージェントはデプロイ後、いつまで信頼できるのか? エージェントライフスパンエンジニアリングのための縦型信頼性ベンチマークであるAgingBenchを紹介する。
  論文  参考訳（メタデータ） (2026-05-25T19:55:12Z)
• Taming Actor-Observer Asymmetry in Agents via Dialectical Alignment [59.536125286960186]
  セルフリフレクションと相互監査を可能にするために、専門的な役割を割り当てるマルチエージェントフレームワークがますます採用されている。 アクター・オブザーバ非対称性(Actor-Observer Asymmetric)と呼ばれる認知バイアスを同時に誘発する。 ReTASは、対立する視点を客観的なコンセンサスに合成するためにエージェントを誘導する。
  論文  参考訳（メタデータ） (2026-04-21T15:05:58Z)
• Layered Mutability: Continuity and Governance in Persistent Self-Modifying Agents [0.0]
  本稿では,そのプロセスを5つの層にまたがって推論するフレームワークである階層的変更性を紹介する。 本報告では,記憶蓄積後のエージェントの可視的自己記述を戻すことは,ベースライン動作の回復に失敗する,予備的なラチェット実験を報告する。 主な意味は、持続的な自己修飾剤の健全な故障モードは、突然のミスアライメントではなく、構成的ドリフトであるということである。
  論文  参考訳（メタデータ） (2026-04-16T07:27:35Z)
• Authority-Level Priors: An Under-Specified Constraint in Hierarchical Predictive Processing [0.0]
  オーソリティ・レベル優先(英: Authority-Level Priors、ALP)は、アイデンティティレベルの仮説の規制が許容できるサブセットを定義するメタ構造制約である。 ALPは、追加の表現状態や精度よりも高優先度であり、規制制御に許容される仮説を制約している。 計算形式化は、認可された仮説によって生成されるポリシーに対するポリシー最適化を制限する。
  論文  参考訳（メタデータ） (2026-03-19T13:27:47Z)
• Improving Search Agent with One Line of Code [68.58667107354253]
  ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。 textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-10T04:07:39Z)
• On the Convergence of Bounded Agents [80.67035535522777]
  境界エージェントは、エージェントの将来の振る舞いを記述するために必要な最小の状態数が減少できない場合に収束する。 第2の見解では、エージェントの内部状態が変更された場合にのみ、エージェントのパフォーマンスが変化するときのみ、境界エージェントが収束した。
  論文  参考訳（メタデータ） (2023-07-20T17:27:29Z)
• Can Agents Run Relay Race with Strangers? Generalization of RL to Out-of-Distribution Trajectories [88.08381083207449]
  異種エージェントの制御可能な状態に対する一般化失敗の有病率を示す。 本稿では,学習中のQ関数に従って環境をエージェントの旧状態にリセットする,STA(Self-Trajectory Augmentation)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-04-26T10:12:12Z)
• On Controller Tuning with Time-Varying Bayesian Optimization [74.57758188038375]
  制御対象とその変更に関する適切な事前知識を用いて、時間変化最適化(TVBO)を用いて、変更環境におけるコントローラのオンラインチューニングを行う。 本研究では,不確実性注入(UI)を用いたTVBO戦略を提案する。 我々のモデルはTVBOの最先端手法よりも優れており、後悔の軽減と不安定なパラメータ構成の低減を実現している。
  論文  参考訳（メタデータ） (2022-07-22T14:54:13Z)
• Performance of Bounded-Rational Agents With the Ability to Self-Modify [1.933681537640272]
  複雑な環境に埋め込まれたエージェントの自己修飾は避けがたい。 インテリジェントエージェントは、将来のインスタンスが同じ目標に向かって機能するように、ユーティリティ機能の変更を避けるインセンティブを持っている、と論じられている。 この結果は有界な有理性を持つエージェントにはもはや当てはまらない。
  論文  参考訳（メタデータ） (2020-11-12T09:25:08Z)
• Safe Reinforcement Learning via Curriculum Induction [94.67835258431202]
  安全クリティカルなアプリケーションでは、自律エージェントはミスが非常にコストがかかる環境で学ぶ必要がある。 既存の安全な強化学習手法は、エージェントが危険な状況を避けるために、事前にエージェントを頼りにしている。 本稿では,エージェントが自動インストラクターの指導の下で学習する,人間の指導にインスパイアされた代替手法を提案する。
  論文  参考訳（メタデータ） (2020-06-22T10:48:17Z)

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。