論文の概要: Revealed Rationality: Label-Free Evaluation and Regularization from Representation Theorems
- arxiv url: http://arxiv.org/abs/2608.05015v1
- Date: Wed, 05 Aug 2026 16:21:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 14:48:43.986098
- Title: Revealed Rationality: Label-Free Evaluation and Regularization from Representation Theorems
- Title（参考訳）: Revealed Rationality: Representation Theorems によるラベルフリー評価と正規化
- Authors: Isaiah Andrews,
- Abstract要約: 行動が特定の公理を満たすという決定論の定理は、それが十分に定義された目的によって合理化できる場合に限る。
このことは、'構造がラベルのない評価とLLMやその他のAIシステムの正規化のための潜在的に有用な基盤を提供する場合に限る、と私は論じます。
- 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: Representation theorems in decision theory establish that behavior satisfies certain axioms if and only if it can be rationalized by a well-defined objective. I argue that this ``if and only if'' structure provides a potentially useful foundation for label-free evaluation and regularization of LLMs and other AI systems. Axiom compliance can be checked from the model's own responses to synthetic choice problems, with no external labels or human feedback, and the penalties are readily computable. Because the axioms are necessary and sufficient, the resulting checks exhaust the implications of the relevant rationality standard for the elicited data: a model that passes cannot be rejected on rationality grounds by any further test of the same data. I discuss three instantiations: probabilistic coherence via a theorem of de Finetti, preference rationality via Afriat's theorem, and subjective expected utility via a theorem of Echenique and Saito (2015), each yielding a continuous penalty that is zero whenever behavior can be rationalized. Since coherence does not restrict which objective rationalizes behavior, these penalties complement rather than replace other evaluation and training signals.
- Abstract（参考訳）: 決定論における表現定理(representation theorems in decision theory)は、振舞いが特定の公理を満たすことは、それが十分に定義された目的によって合理化できる場合に限る。
この `if and only'' 構造はラベルのない評価とLLMやその他のAIシステムの正規化のための潜在的に有用な基盤を提供すると私は主張する。
公理コンプライアンスは、外部ラベルや人間のフィードバックなしで、合成選択問題に対するモデル自身の応答からチェックすることができ、罰則は容易に計算可能である。
公理は必要で十分であるため、結果として得られたチェックは、引き起こされたデータに対する関連する合理性標準(英語版)の含意を消し去る。
De Finetti の定理による確率的コヒーレンス、Afriat の定理による選好的合理性、Echenique と Saito (2015) の定理による主観的期待効力、そして振る舞いが合理化されるたびにゼロとなる連続的なペナルティである。
コヒーレンスは行動の客観的な合理化を制限しないため、これらの罰則は他の評価や訓練信号を置き換えるのではなく補完する。
関連論文リスト
- LiveMathematicianBench: A Live Benchmark for Mathematician-Level Reasoning with Proof Sketches [61.30693283718321]
研究レベルの数学的推論のための動的多重選択ベンチマークであるLiveMathematicianBenchを提案する。
新たに発表された定理で評価を基礎づけることで、記憶されたパターンを超えた現実的なテストベッドを提供する。
このパイプラインは、高レベルな証明戦略を使用して、妥当だが無効な解選択を構築する。
論文 参考訳（メタデータ） (2026-04-02T08:22:17Z) - Reconstruction of finite Quasi-Probability and Probability from Principles: The Role of Syntactic Locality [0.0]
準確率は物理学の様々な分野に分布するが、その概念的基礎は未だ不明である。
構造的整合性要件から準確率とその条件計算を導出する原理的枠組みを開発する。
論文 参考訳（メタデータ） (2026-02-12T19:00:08Z) - Probabilistically stable revision and comparative probability: a representation theorem and applications [0.0]
選択関数は有限確率空間上の強安定集合作用素として表現可能であることを示す。
確率論的に安定な信念修正の結果の論理は強い単調性を示す。
簡単な投票ゲーム理論と選好理論への主な結果の2つの応用を指摘した。
論文 参考訳（メタデータ） (2025-09-02T16:42:47Z) - DeepTheorem: Advancing LLM Reasoning for Theorem Proving Through Natural Language and Reinforcement Learning [67.93945726549289]
DeepTheoremは、数学的推論を強化するために自然言語を活用する包括的な非公式な定理証明フレームワークである。
DeepTheoremには、121Kの高品質なIMOレベルの非公式な定理と証明からなる大規模なベンチマークデータセットが含まれている。
我々は、証明された定理の変種を利用して堅牢な数学的推論を動機付けることによって、非公式な定理証明に適した新しい強化学習戦略(RL-Zero)を考案する。
論文 参考訳（メタデータ） (2025-05-29T17:59:39Z) - Rational Inference in Formal Concept Analysis [0.4499833362998487]
定義可能な条件は非単調推論の形式である。
KLMフレームワークは、defeasible conditionalsという命題のセマンティクスを定義する。
論文 参考訳（メタデータ） (2025-04-07T20:15:20Z) - An Embedding-based Approach to Inconsistency-tolerant Reasoning with
Inconsistent Ontologies [12.760301272393898]
本稿では,公理の埋め込みに基づく一貫性のない意味論による推論手法を提案する。
組込みに基づく手法は、最大一貫した部分集合に基づく既存の矛盾耐性推論手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-04-04T09:38:02Z) - Measuring Association Between Labels and Free-Text Rationales [60.58672852655487]
解釈可能なNLPでは、説明された例に対するモデルの意思決定プロセスを反映した忠実な理性が必要です。
情報抽出型タスクに対する忠実な抽出合理化のための既存のモデルであるパイプラインは、自由テキスト合理化を必要とするタスクに確実に拡張されないことを示す。
我々は、信頼が確立されていない自由文合理化のための、広く使われている高性能モデルのクラスである、共同予測と合理化のモデルに目を向ける。
論文 参考訳（メタデータ） (2020-10-24T03:40:56Z) - Logical Neural Networks [51.46602187496816]
ニューラルネットワーク(学習)と記号論理(知識と推論)の両方の重要な特性をシームレスに提供する新しいフレームワークを提案する。
すべてのニューロンは、重み付けされた実数値論理における公式の構成要素としての意味を持ち、非常に解釈不能な非絡み合い表現をもたらす。
推論は事前に定義されたターゲット変数ではなく、オムニであり、論理的推論に対応する。
論文 参考訳（メタデータ） (2020-06-23T16:55:45Z) - Invariant Rationalization [84.1861516092232]
典型的な合理化基準、すなわち最大相互情報(MMI)は、合理性のみに基づいて予測性能を最大化する合理性を見つける。
ゲーム理論の不変な有理化基準を導入し、各環境において同じ予測器を最適にするために、有理を制約する。
理論的にも実証的にも、提案された理性は、素早い相関を除外し、異なるテストシナリオをより一般化し、人間の判断とよく一致させることができることを示す。
論文 参考訳（メタデータ） (2020-03-22T00:50:27Z)
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。