論文の概要: Bootstrap-Conditioned Action Selection with Tabular Foundation Models
- arxiv url: http://arxiv.org/abs/2608.06559v1
- Date: Thu, 06 Aug 2026 20:15:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.280897
- Title: Bootstrap-Conditioned Action Selection with Tabular Foundation Models
- Title（参考訳）: 語彙基礎モデルを用いたブートストラップ型行動選択
- Abstract要約: テキスト内学習を用いた事前学習モデルが、オンライン意思決定のためのランダム化ポリシーに変換できるかどうかを検討する。
ICLを用いたBC-ICL(Bootstrap-conditioned action selection)を提案し、各ラウンドで対話履歴のブートストラップ再サンプルを描画し、その再サンプルに凍結事前学習されたICLモデルを条件付けし、全てのアクションをスコアし、最も高いサンプリングスコアでアクションを選択する。
- 参考スコア（独自算出の注目度）: 4.628299420104186
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Contextual bandits offer a natural framework for sample-efficient personalization, but practical deployment remains difficult under sparse, biased interaction data, unreliable uncertainty estimates, and severe cold starts. We study whether pre-trained tabular foundation models with in-context learning can be turned into randomized policies for online decision making. We propose BC-ICL (Bootstrap-conditioned action selection using ICL), which at each round draws a bootstrap resample of the interaction history, conditions a frozen pre-trained ICL model on that resample, scores all actions, and selects the action with the highest sampled score. We further introduce an arm-context conditioning architecture that promotes shared statistical strength across actions and helps avoid common bootstrap failure modes of isolated-arm bandits. Empirically, this policy delivers strong early-round regret and regret performance on standard contextual bandit suites, outperforming established baselines under a strict online protocol.
- Abstract（参考訳）: コンテキスト帯は、サンプル効率の良いパーソナライズのための自然な枠組みを提供するが、スパース、偏りのある相互作用データ、信頼性の低い不確実性推定、厳しいコールドスタートの下では、実践的な展開は依然として困難である。
本研究は,テキスト内学習による事前学習した表層基盤モデルを,オンライン意思決定のためのランダム化ポリシーに変換することができるかどうかを考察する。
本稿では,BC-ICL (Bootstrap-conditioned action selection using ICL) を提案する。各ラウンドで対話履歴のブートストラップ再サンプルを描画し,その再サンプルに凍結事前学習したICLモデルを条件付けし,すべてのアクションをスコアし,最も高いサンプリングスコアでアクションを選択する。
さらに、動作間の統計的強度の共有を促進し、孤立した腕包帯の一般的なブートストラップ障害モードを回避するために、アームコンテキスト条件付けアーキテクチャを導入する。
経験的に、このポリシーは、標準の文脈的バンディットスイートに対して、早い段階での後悔と後悔の表現を強く提供し、厳格なオンラインプロトコルの下で確立されたベースラインを上回ります。
関連論文リスト
- DeepBias: Adaptive In-depth Probing of Social Biases in LVLMs [71.85279836937578]
我々は、注意深く設計されたエージェントを用いたLVLMにおける社会バイアスの奥行き探索のための適応的フレームワークDeepBiasを紹介する。
私たちは、私たちのフレームワークを使ってDeepBiasBenchという名のベンチマークを構築します。5つの異なる最先端のLVLMをアンカーとして使用することで、このベンチマークはアーキテクチャ間で共有される脆弱性をキャプチャします。
論文 参考訳（メタデータ） (2026-07-13T08:19:09Z) - Soft Specialists: $α$-Rényi Ensembles for Uncertainty-Aware LLM Post-Training [4.297453240868895]
大規模言語モデルの既存のトレーニングアプローチは、大量のデータに基づいて、単一のパラメータセットを学習する。
学習後パラメータよりも分布を学習するための$-Rényi変分フレームワークを提案する。
局所安定性基準を同定し,モデルの不特定により非退化後部が局所的に拡散しやすいことを示す。
論文 参考訳（メタデータ） (2026-05-26T22:44:58Z) - Optimal Transport for LLM Reward Modeling from Noisy Preference [21.518348751984433]
最適輸送を基盤としたフレームワークであるSelectiveRMを提案する。
まず、モデル予測の分布と嗜好データとを一致させるために、整合性差分法を考案する。
次に、部分輸送による質量緩和機構を組み込む。
これにより、意味的一貫性に矛盾するノイズの多い選好を持つサンプルを自律的に排除することができる。
論文 参考訳（メタデータ） (2026-05-07T11:26:04Z) - Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。
グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。
特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
論文 参考訳（メタデータ） (2026-04-20T16:43:28Z) - REALITrees: Rashomon Ensemble Active Learning for Interpretable Trees [21.32484182551777]
Rashomon Ensembled Active Learning (REAL) は、すべてのほぼ最適モデルのRashomon Setを徹底的に列挙して委員会を構成する。
雑音の多い環境下では,REALはランダム化アンサンブルよりも優れていた。
論文 参考訳（メタデータ） (2026-03-24T03:27:44Z) - Learnable Chernoff Baselines for Inference-Time Alignment [64.81256817158851]
本稿では,指数関数的に傾いたカーネルから効率よく,およそサンプリングする方法として,Learnerable Chernoff Baselinesを紹介した。
理想的なモデルに対する全変量保証を確立し、LCBサンプリングが理想的拒絶サンプリングと密接に一致するような連続的および離散的な拡散設定を実証する。
論文 参考訳（メタデータ） (2026-02-08T00:09:40Z) - A Minimaximalist Approach to Reinforcement Learning from Human Feedback [49.45285664482369]
人間のフィードバックから強化学習を行うアルゴリズムとして,SPO(Self-Play Preference Optimization)を提案する。
我々のアプローチは、報酬モデルや不安定な敵の訓練を必要としないという点で最小主義である。
我々は,一連の継続的制御タスクにおいて,報酬モデルに基づくアプローチよりもはるかに効率的に学習できることを実証した。
論文 参考訳（メタデータ） (2024-01-08T17:55:02Z) - Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。
我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文 参考訳（メタデータ） (2023-12-27T09:03:43Z) - Large-scale Pre-trained Models are Surprisingly Strong in Incremental Novel Class Discovery [76.63807209414789]
我々は,クラスiNCDにおける現状問題に挑戦し,クラス発見を継続的に,真に教師なしで行う学習パラダイムを提案する。
凍結したPTMバックボーンと学習可能な線形分類器から構成される単純なベースラインを提案する。
論文 参考訳（メタデータ） (2023-03-28T13:47:16Z) - Enhancing Text Generation with Cooperative Training [23.971227375706327]
ほとんどの一般的な方法は、別々に生成的および差別的なモデルを訓練し、互いに変化に適応できなかった。
本稿では,識別器とジェネレータをクローズドループで協調的に学習するテキスト分野におけるテキスト自己一貫性学習フレームワークを提案する。
我々のフレームワークは、モード崩壊や非収束といったトレーニングの不安定さを軽減することができる。
論文 参考訳（メタデータ） (2023-03-16T04:21:19Z) - Uncertainty Estimation for Language Reward Models [5.33024001730262]
言語モデルは、テキストコーパスの教師なしトレーニングからさまざまな能力を学ぶことができる。
人間がラベル付きデータを提供するよりも選択肢を選択する方が簡単であり、事前の作業はそのような選好比較から報酬モデルをトレーニングすることで最先端のパフォーマンスを達成した。
能動的学習とリスク-逆強化学習を用いてサンプル効率とロバスト性を向上させる不確実性推定によるこれらの問題に対処することを模索する。
論文 参考訳（メタデータ） (2022-03-14T20:13:21Z) - Optimal Online Generalized Linear Regression with Stochastic Noise and
Its Application to Heteroscedastic Bandits [88.6139446295537]
一般化線形モデルの設定におけるオンライン一般化線形回帰の問題について検討する。
ラベルノイズに対処するため、古典的追従正規化リーダ(FTRL)アルゴリズムを鋭く解析する。
本稿では,FTRLに基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-02-28T08:25:26Z)
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。