Fugu-MT 論文翻訳(概要): On Incentivized Exploration beyond Bayesianism and Full-Information

論文の概要: On Incentivized Exploration beyond Bayesianism and Full-Information

arxiv url: http://arxiv.org/abs/2607.18300v1
Date: Tue, 14 Jul 2026 10:25:21 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-22 19:05:05.170334
Title: On Incentivized Exploration beyond Bayesianism and Full-Information
Title（参考訳）: ベイズ主義とフルインフォメーションを超えたインセンティブ付き探索について
Abstract要約: 我々は、校長に未知の外部情報を持つ可能性があるエージェントについて検討する。このような設定には、インセンティブ付き探索という新たな概念が必要である。エージェントが合理的な(不当な)アクションを選択するという定義を導入する。
参考スコア（独自算出の注目度）: 14.986011796126926
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We extend Incentive Compatible Exploration beyond the Bayesian full-information setting of Kremer et al. [2014]. We consider agents that may possess external information unknown to the principal. We show such settings require new notions of incentivized exploration, as well as going beyond a Bayesian perspective, and we introduce a definition where agents choose any reasonable (undominated) action. Furthermore, our framework provides for a more robust treatment of ties, and extends to settings where agents lack a single common prior and instead only know that reward distributions belong to a collection of potential priors.
Abstract（参考訳）: 我々は、Kremer et al[2014]のベイズ全情報設定を超えて、Incentive Compatible Explorationを拡張します。我々は、校長に未知の外部情報を持つ可能性があるエージェントについて検討する。このような設定には、インセンティブ付き探索という新たな概念が必要であり、ベイズ的な視点を超えて、エージェントが合理的な(不当な)行動を選択するという定義を導入する。さらに、我々のフレームワークは、より堅牢な関係の扱いを提供し、エージェントが単一の共通事前を欠いている設定にまで拡張し、代わりに報酬分布が潜在的な事前の集合に属することを知っている。

関連論文リスト

AgentFugue: Agent Scaling for Long-Horizon Tasks through Collective Reasoning [57.72181998599248]
AgentFugueは、共通の推論ハブを中心に構築された、集合的推論フレームワークである。ピアエージェントが同じタスクを並列に探索する際、ハブは各エージェントが何を確立、試み、あるいは除外したかを簡潔に記録する。この結果から,集団推論によってピアエージェントシステムのスケールアウトが実現可能であることが示唆された。
論文参考訳（メタデータ） (2026-05-23T09:21:51Z)
Prior-Agnostic Incentive-Compatible Exploration [32.22947381651758]
帯域設定では、長期的な後悔のメトリクスを最適化するには探索が必要である。エージェントが誠実に予測に従うように、(重み付けされた)後悔の限界を彼ら自身の満足度に置き換えていることが示されます。我々は,バンディット設定における適応性と重み付けされた後悔を保証するための具体的なアルゴリズムを用いて,抽象的な境界をインスタンス化する。
論文参考訳（メタデータ） (2026-02-24T01:53:08Z)
Exploration and Persuasion [58.87314871998078]
我々は、自己関心のあるエージェントが利用したいときの探索にインセンティブを与える方法を示す。不確実性の下で決定を下す利己的なエージェントの集団を考える。彼らは新しい情報を取得し、良い決定を下すためにこの情報を「発見」する。これは、探査が費用がかかるためであるが、将来多くのエージェントにその利点が広がるためである。
論文参考訳（メタデータ） (2024-10-22T15:13:13Z)
On Bits and Bandits: Quantifying the Regret-Information Trade-off [62.64904903955711]
エージェントが蓄積する情報と、それが苦しむ後悔の間のトレードオフについて検討する。エージェントが蓄積する情報に依存する、最初のベイズ的後悔の低い境界を導入する。また,エージェントが蓄積する情報量を用いて,後悔の上限を証明した。
論文参考訳（メタデータ） (2024-05-26T14:18:38Z)
Incentivized Exploration via Filtered Posterior Sampling [51.32577788466152]
情報非対称性を活用できる社会学習問題における「インセンティブ付き探索」(IE)について検討し、エージェントにインセンティブを与えて探索行動をとる。我々は,IE の汎用的解法として,多腕バンディットの文献でよく知られるアルゴリズム的手法である後方サンプリングを同定する。
論文参考訳（メタデータ） (2024-02-20T19:30:55Z)
Settling Decentralized Multi-Agent Coordinated Exploration by Novelty Sharing [34.299478481229265]
単純で効果的なマルチエージェント協調探索法である MACE を提案する。エージェントはローカルノベルティのみを通信することで、他のエージェントのローカルノベルティを考慮し、グローバルノベルティを近似することができる。 MACEはスパース報酬を伴う3つのマルチエージェント環境において優れた性能を示す。
論文参考訳（メタデータ） (2024-02-03T09:35:25Z)
Estimating and Incentivizing Imperfect-Knowledge Agents with Hidden Rewards [4.742123770879715]
実際には、インセンティブ提供者はインセンティブ付きエージェントの報酬実現を観察できないことが多い。本稿では,自己関心学習エージェントと学習プリンシパルの繰り返し選択ゲームについて検討する。我々は,プリンシパルのインセンティブとエージェントの選択履歴のみを入力とする推定器を導入する。
論文参考訳（メタデータ） (2023-08-13T08:12:01Z)
Curiosity-Driven Multi-Agent Exploration with Mixed Objectives [7.247148291603988]
単エージェント強化学習におけるスパース報酬問題を軽減するために、本質的な報酬がますます利用されてきた。好奇心駆動探索(英: Curiosity-driven exploration)は、エージェントの好奇心モジュールの予測誤差としてこの新規性を定量化する、単純で効率的なアプローチである。しかし, この好奇心を駆使して, スパース報酬協調型マルチエージェント環境における探索をガイドする手法は, 常に改善に繋がらないことを示す。
論文参考訳（メタデータ） (2022-10-29T02:45:38Z)
Exploration and Incentives in Reinforcement Learning [107.42240386544633]
各エージェントが同一(ただし未知)のMDPに直面する複雑な探索問題を考察する。エージェントはポリシーの選択を制御するが、アルゴリズムは推奨事項のみを発行できる。 MDPのすべての到達可能な状態を探索するアルゴリズムを設計します。
論文参考訳（メタデータ） (2021-02-28T00:15:53Z)
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)
Incentivizing Exploration with Selective Data Disclosure [70.11902902106014]
効率的な探索を促すレコメンデーションシステムを提案し設計する。エージェントは順次到着し、固定されたが未知のアクション固有の分布から引き出されたアクションを選択し、報酬を受け取る。フレキシブル・頻繁な行動モデルを用いた探索において,最適な後悔率が得られる。
論文参考訳（メタデータ） (2018-11-14T19:29:16Z)

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。