論文の概要: A Calculus of Discernment: Decision-Relevant Insight, Sequence Value, and Forgetting as Higher-Order Learning
- arxiv url: http://arxiv.org/abs/2607.18275v1
- Date: Wed, 17 Jun 2026 13:18:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.101675
- Title: A Calculus of Discernment: Decision-Relevant Insight, Sequence Value, and Forgetting as Higher-Order Learning
- Title（参考訳）: 識別の計算:高次学習としての意思決定関連洞察、系列値、予測
- Abstract要約: 生成AIの世界では、候補となる洞察が豊富です。
不足しているのは、どれが重要かを識別し、正しい量と順序で行動し、残りを忘れる能力である。
最も投機的であるAPOHAは、忘れることが知識の廃棄ではなく、その価値が学習される演算子であるとする理論である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In a world of generative AI, candidate insights are abundant; what is scarce is the capacity to discern which matter, to act on them in the right amount and order, and to forget the rest so the system can adapt. We argue these scarcities are governed by one object and build a framework around it. We define an insight strictly as a lever with an identified, measurable effect on an objective, and rank candidates by decision-relevance via the expected value of information rather than novelty. We show action carries an order, not only a size: under realistic belief dynamics, content "touches" are non-commuting operators, so a fixed plan delivered in different orders yields different outcomes, defining a sequence premium. We observe that the value of any lever is a shadow price, unifying pharmaceutical marketing, equity selection, and manufacturing as one leverage-discovery problem. Most speculatively, we propose APOHA, a theory in which forgetting is not the disposal of knowledge but the operator by which value is learned: the value of a retained item is the counterfactual cost of forgetting it, a learning system is the residue of maximal forgetting subject to preserved value, and higher-order value is the structure that survives repeated forgetting (a renormalisation-relevant invariant), with consolidation as its conjugate. We state the central open problem (a non-trivial attractor with a spectral gap) and test the forgetting theory: operationalising APOHA as an agent on a non-stationary obesity-treatment decision world over 30 seeds, adaptive forgetting cut cumulative decision-regret by 24-32% against never-forget and a fixed half-life, kept a ~6x smaller, cleaner memory, and converged stably; notably, blind forgetting was worse than never forgetting, so the benefit is specific to value-aware forgetting. A multi-disciplinary critique stress-tests the whole.
- Abstract（参考訳）: 生成AIの世界では、候補となる洞察が豊富で、どれが重要かを識別し、正しい量と順序で行動し、残りを忘れてシステムが適応できる能力が不足している。
これらの不足は一つのオブジェクトによって管理され、その周辺にフレームワークを構築している、と私たちは主張する。
本研究は、客観的に識別され、測定可能な効果を持つレバーを厳密に定義し、新規性よりも情報の期待値を介して決定関連性によって候補をランク付けする。
現実的な信念力学の下では、コンテンツ"タッチ"は非交換作用素であるため、異なる順序で提供される固定された計画が異なる結果をもたらし、シーケンスプレミアムを定義する。
我々は、レバーの価値はシャドー価格であり、レバレッジ発見問題として、医薬品マーケティング、株式選択、製造を統一する。
最も投機的に、忘れることが知識の廃棄ではなく、その価値が学習される理論である APOHA を提案する: 保持アイテムの値は、それを忘れる反ファクト的なコストであり、学習システムは、保存された値の最大の忘れることの残余であり、高次値は、繰り返し忘れること(正規化関連不変量)を生き残る構造であり、その共役として統合される。
中心的オープン問題(スペクトルギャップを持つ非自明な誘引者)を述べるとともに,30種以上の非定常肥満治療決定世界においてエージェントとしてAPOHAを運用し,無目的および固定半減期に対して24～32%の減量累積的意思決定を適応的忘れること,約6倍の小型,クリーンなメモリと安定的に維持すること,特に視覚的忘れは忘れることよりも悪く,価値認識の忘れ方に特有な利点がある。
多分野の批判的批判が全体をテストする。
関連論文リスト
- Do LLMs Have Values? A Quantitative Analysis and Alignment Framework for Values in Large Language Models [49.45276299939287]
大規模言語モデル(LLM)は、ますます複雑な主観的タスクを扱うようになっている。
LLMは、マイナーな単語変更で予測不能に変動する。
この双対性を解決することは 信頼できるAIアライメントに 不可欠です
論文 参考訳（メタデータ） (2026-09-15T03:35:04Z) - Online Market Making and the Value of Observing the Order Book [44.5487486690729]
本研究では,学習者が連続して入札を行い,単一資産の価格を求めるオンライン市場形成問題について検討する。
リアルリミットオーダーブックにインスパイアされたアクション依存フィードバックモデルを導入する。
この追加情報が、問題の学習可能性に根本的に変化することを示します。
論文 参考訳（メタデータ） (2026-05-19T09:26:01Z) - The Silent Scholar Problem: A Probabilistic Framework for Breaking Epistemic Asymmetry in LLM Agents [0.6117371161379209]
本稿では,エージェントに双方向知識交換のための非構造的動機を与える形式的確率的枠組みを提案する。
これらの蓄積された信念状態が、人間フィードバックからの強化学習(RLHF)と監視ファインチューニング(SFT)のための高品質データフィルタの検証可能な報酬信号としてどのように機能するかを示す。
シミュレーションの結果、この不確実性駆動型戦略が異種環境におけるランダムベースラインを著しく上回ることを示した。
論文 参考訳（メタデータ） (2025-12-24T02:02:25Z) - An Orthogonal Learner for Individualized Outcomes in Markov Decision Processes [55.93922317950527]
DRQ-learnerと呼ばれる新しいメタラーナーを開発した。
DRQ-learnerは離散状態空間と連続状態空間の両方の設定に適用できます。
論文 参考訳（メタデータ） (2025-09-30T15:49:29Z) - Deceptive Sequential Decision-Making via Regularized Policy Optimization [54.38738815697299]
我々は,自律的なシステムをマルコフ決定プロセスとしてモデル化し,逆強化学習を用いて報酬関数を復元する。
本稿では,システム報酬に対する敵意を積極的に欺く政策合成問題に対する3つの規則化戦略を示す。
我々は,その最適かつ非知覚的価値の少なくとも97%の累積報酬を達成しつつ,反逆的,標的的,公平な詐欺が虚偽の信念に逆らうことを示している。
論文 参考訳（メタデータ） (2025-01-30T23:41:40Z) - Multi-Agent Imitation Learning: Value is Easy, Regret is Hard [52.31989962031179]
我々は,エージェント群を協調させようとする学習者の視点で,マルチエージェント模倣学習(MAIL)問題を研究する。
MAILの以前の作業のほとんどは、基本的には、デモのサポート内で専門家の振る舞いにマッチする問題を減らすものです。
エージェントが戦略的でないという仮定の下で、学習者と専門家の間の価値ギャップをゼロにするのに十分であるが、戦略的エージェントによる逸脱を保証するものではない。
論文 参考訳（メタデータ） (2024-06-06T16:18:20Z) - Simultaneous Perception-Action Design via Invariant Finite Belief Sets [20.59493611017851]
我々は、自律システムのための新しい同時認識-行動設計フレームワークを開発する。
エージェントは行動選択のポリシーだけでなく、信念に依存した観察機能を自由に合成できる。
サンプル密度が増加するにつれて、値関数が連続状態空間値に収束することが証明される。
論文 参考訳（メタデータ） (2021-09-10T19:17:47Z) - Confidence-Budget Matching for Sequential Budgeted Learning [69.77435313099366]
問合せ予算で意思決定問題を定式化する。
我々は,多腕バンディット,線形バンディット,強化学習問題を考察する。
我々は,CBMに基づくアルゴリズムが逆性の存在下で良好に動作することを示す。
論文 参考訳（メタデータ） (2021-02-05T19:56:31Z) - Maximizing Information Gain in Partially Observable Environments via
Prediction Reward [64.24528565312463]
本稿では,深いRLエージェントに対する信念に基づく報酬の活用という課題に取り組む。
負のエントロピーと予測される予測報酬の正確な誤差を導出する。
この洞察は、予測報酬を用いたいくつかの分野の理論的動機を与える。
論文 参考訳（メタデータ） (2020-05-11T08:13:49Z) - VCG Mechanism Design with Unknown Agent Values under Stochastic Bandit
Feedback [104.06766271716774]
本研究では,エージェントが自己の価値を知らない場合に,マルチラウンドの福祉最大化機構設計問題について検討する。
まず、福祉に対する後悔の3つの概念、各エージェントの個々のユーティリティ、メカニズムの3つの概念を定義します。
当社のフレームワークは価格体系を柔軟に制御し、エージェントと販売者の後悔のトレードオフを可能にする。
論文 参考訳（メタデータ） (2020-04-19T18:00:58Z)
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。