論文の概要: Decision Making Needs Uncertainty Quantification [Lecture Notes]

• arxiv url: http://arxiv.org/abs/2607.14407v2
• Date: Sun, 19 Jul 2026 14:44:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 14:24:57.583746
• Title: Decision Making Needs Uncertainty Quantification [Lecture Notes]
• Title（参考訳）: 不確実性定量化のための意思決定 [講義ノート]
• Abstract要約: この講義ノートは、第一原理と単一決定論的な設定の中で、目的とエージェントの知識のリンクを発達させる。 リスクニュートラルなエージェントが状態の後方分布を必要とするのに対し、リスクオーバーなエージェントは予測セットと最悪の決定ルールに最適性を損なうことなく依存できることを示す。
• 参考スコア（独自算出の注目度）: 35.36148913066079
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many signal processing systems ultimately exist to {act}. Whenever the state variable that determines the action to be taken by a decision maker, or agent, is uncertain, the way that uncertainty is represented decides how well the agent performs and how much its performance can be trusted. This lecture note develops, from first principles and within a single decision-theoretic setting, the link between the {objective} and the knowledge of an agent and the form of uncertainty representation that is sufficient to act optimally. To start, assuming a known environment distribution, we show that a risk-neutral agent needs the posterior distribution over the state, whereas a risk-averse agent can rely without loss of optimality on a {prediction set} and a worst-case decision rule. We then turn to the case in which the environment is unknown, and identify three complementary approaches to address the resulting epistemic uncertainty: calibration of a fixed predictor, credal (ambiguity) sets with distributionally robust optimization, and Bayesian inference over model parameters. The common thread is that reliable decisions require an uncertainty representation matched to the decision objective and to the knowledge profile of the agent, together with a guarantee that certifies the utility the agent will actually obtain.
• Abstract（参考訳）: 多くの信号処理系は最終的に {act} に存在します。 意思決定者またはエージェントによって取られる動作を決定する状態変数が不確実である場合、不確実性が表現される方法は、エージェントがどれだけうまく行動し、そのパフォーマンスがどれだけ信頼できるかを決定する。 この講義ノートは、第一原理と単一決定論的設定から、目的語とエージェントの知識のリンク、そして最適に行動するのに十分な不確実性表現の形へと発展する。 まず, 既知環境分布を仮定すると, リスクニュートラルエージェントが状態の後方分布を必要とするのに対して, リスク回避エージェントは, 最適性を損なうことなく, 最悪のケース決定ルールに頼ることができることを示す。 次に, 環境が未知の場合には, 固定予測器のキャリブレーション, 分布的にロバストな最適化を伴う断崖(あいまいさ)セット, モデルパラメータに対するベイズ推定の3つの相補的アプローチを同定する。 一般的なスレッドは、信頼できる決定は、エージェントが実際に取得するユーティリティを認証する保証とともに、決定目標とエージェントの知識プロファイルに一致した不確実性表現を必要とすることである。

関連論文リスト

• Prediction Sets for Counterfactual Decisions: Coverage, Optimality, and Conformal Prediction [7.899668963928307]
  我々は、不確実性のある反事実決定のための意思決定理論の枠組みを開発する。 そこで,我々は,表現セット自体によって引き起こされる行動の下で実現された結果のカバレッジという,政治に結合した新たな概念を同定する。
  論文  参考訳（メタデータ） (2026-07-02T14:13:08Z)
• Confidence Laundering in Agent Systems: Why Uncertainty Needs a Latent Carrier [19.977378656876645]
  不確実性は、単に軌道が不確実なステップを含むからではなく、コンポーネント間のハンドオフを生き残るときだけ伝播するからである。 我々は、意思決定ハンドオフに付随する不確実性を有するキャリアとして、潜時不確実性を提案する。
  論文  参考訳（メタデータ） (2026-06-09T23:13:53Z)
• Exploring Agentic Tool-Calling Decisions via Uncertainty-Aligned Reinforcement Learning [63.24624171679711]
  大規模言語モデル(LLM)ベースのエージェントは、しばしば最適なツール使用の決定を行う。 本研究では、不確実性分離を維持するための推進力として、不確実性定量化を報酬設計に組み込んだTRUSTを提案する。
  論文  参考訳（メタデータ） (2026-06-05T07:08:34Z)
• Uncertainty-Driven Reliability: Selective Prediction and Trustworthy Deployment in Modern Machine Learning [1.2183405753834562]
  この論文は、不確実性推定が機械学習(ML)システムの安全性と信頼性を高める方法について考察する。 まず、モデルのトレーニング軌道は、アーキテクチャの変更や損失を伴わずに活用できるような、豊富な不確実性信号を含むことを示す。 本稿では,タスク間で動作し,深層アンサンブルのコストを回避し,最先端の選択的予測性能を実現する軽量なポストホック禁忌手法を提案する。
  論文  参考訳（メタデータ） (2025-08-11T02:33:53Z)
• A Principled Approach to Randomized Selection under Uncertainty: Applications to Peer Review and Grant Funding [61.86327960322782]
  本稿では,各項目の品質の間隔推定に基づくランダム化意思決定の枠組みを提案する。 最適化に基づく最適化手法であるMERITを導入する。 MERITが既存のアプローチで保証されていない望ましい公理特性を満たすことを証明している。
  論文  参考訳（メタデータ） (2025-06-23T19:59:30Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Decision Theoretic Foundations for Conformal Prediction: Optimal Uncertainty Quantification for Risk-Averse Agents [24.938391962245877]
  リスク・逆の意思決定を伴う予測セットを用いて不確実性と接続する意思決定理論の基礎を開発する。 医療診断やレコメンデーションシステムなどの応用におけるリスク・アバース(RAC)の意義を実験的に実証した。
  論文  参考訳（メタデータ） (2025-02-04T18:37:10Z)
• Probabilistic Modeling of Disparity Uncertainty for Robust and Efficient Stereo Matching [61.73532883992135]
  本稿では,新しい不確実性を考慮したステレオマッチングフレームワークを提案する。 我々はベイズリスクを不確実性の測定として採用し、データを別々に見積もり、不確実性をモデル化する。
  論文  参考訳（メタデータ） (2024-12-24T23:28:20Z)
• Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
  認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。 本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。 この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
  論文  参考訳（メタデータ） (2024-11-03T17:32:00Z)
• Criticality and Safety Margins for Reinforcement Learning [53.10194953873209]
  我々は,定量化基盤真理とユーザにとっての明確な意義の両面から,批判的枠組みを定めようとしている。 エージェントがn連続的ランダム動作に対するポリシーから逸脱した場合の報酬の減少として真臨界を導入する。 我々はまた、真の臨界と統計的に単調な関係を持つ低オーバーヘッド計量であるプロキシ臨界の概念も導入する。
  論文  参考訳（メタデータ） (2024-09-26T21:00:45Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• Ensemble Quantile Networks: Uncertainty-Aware Reinforcement Learning with Applications in Autonomous Driving [1.6758573326215689]
  強化学習は、自律運転のための意思決定エージェントを作成するために使用できる。 これまでのアプローチではブラックボックスソリューションのみを提供しており、エージェントがその決定に対する自信について情報を提供していない。 本稿では,分布RLとアンサンブルアプローチを組み合わせて完全不確実性推定を行うEnsemble Quantile Networks (EQN)法を提案する。
  論文  参考訳（メタデータ） (2021-05-21T10:36:16Z)

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。