論文の概要: Beyond the Black Box: Interpretable Models of Human Randomisation Failures

• arxiv url: http://arxiv.org/abs/2608.07220v1
• Date: Fri, 07 Aug 2026 13:36:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.520867
• Title: Beyond the Black Box: Interpretable Models of Human Randomisation Failures
• Title（参考訳）: ブラックボックスを超えて:人間のランダム化失敗の解釈可能なモデル
• Authors: Ngoc Linh Dao,
• Abstract要約: 本稿では,その背後にある行動構造を明らかにする透明な代替手段によって予測力を達成できるかどうかを問う。 この分析は2,802対の84,060の判定を用いて、解釈可能な機械学習モデルとディープラーニングモデルに対するナイーブモデルとビヘイビアモデルをベンチマークする。 その結果、プレイヤーの行動、特に最近の行動履歴の管理は、解釈可能で戦略的に悪用可能な信号の大半を占めることが明らかとなった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Mixed strategy equilibrium predicts i.i.d play: past actions should not help predict future decisions. Human players, however, systematically depart from this benchmark, and in O'Neill's zero sum card game, these departures can be predicted by black box sequence models such as LSTMs. This paper asks whether that predictive power can be achieved by transparent alternatives that also reveal the behavioural structure behind it. Using 84,060 decisions from 2,802 pairs, the analysis first benchmarks naive and behavioral models against interpretable machine learning and deep learning models, then evaluates the modified EWA specifications of prior work against these benchmarks and uses the LASSO diagnostics to motivate a further nested frequency tracking extension. The results show that repeat or avoid behavior, especially players' management of their own recent action histories, accounts for most of the interpretable and strategically exploitable signal, while frequency tracking adds little out of sample.
• Abstract（参考訳）: 混合戦略均衡(Mixed Strategy equilibrium)は、「過去の行動は将来の決定を予測できない」と予測する。 しかし、人間プレイヤーはこのベンチマークから体系的に離脱し、オニールのゼロサムカードゲームでは、LSTMのようなブラックボックスシーケンスモデルによってこれらの離脱を予測することができる。 本稿では,その背後にある行動構造を明らかにする透明な代替手段によって予測力を達成できるかどうかを問う。 解析は2,802対の84,060の判定を用いて、解釈可能な機械学習モデルとディープラーニングモデルに対するナイーブモデルと行動モデルを比較し、これらのベンチマークに対する以前の作業の修正EWA仕様を評価し、LASSO診断を使用して、さらにネストされた周波数追跡拡張を動機付けている。 その結果,行動の繰り返しや回避,特に近年の行動履歴の管理は,解釈可能で戦略的に活用可能な信号の大部分を占める一方で,周波数追跡ではサンプルがほとんど含まれていないことがわかった。

関連論文リスト

• Predicting Future Behaviors in Reasoning Models Enables Better Steering [35.89008737242842]
  テストタイムステアリングは、隠れた表現を介入することで大きな推論モデル(LRM)を制御するが、出力品質を低下させることができる。 我々は、事前のステアリング作業は、すでに生成されたテキストの振る舞いを検出する内部機能に暗黙的に依存していると論じる。 我々は、中間推論ステップから将来の行動可能性を予測するために、アクティベーションプローブを訓練する。 これらのプローブは64%-91%の精度で最も起こりそうな振る舞いを予測し、内部予測の異なるタイプの特徴を明らかにした。
  論文  参考訳（メタデータ） (2026-06-09T17:49:24Z)
• BehaviorBench: Modeling Real-World User Decisions from Behavioral Traces [53.55407626944686]
  textscBehaviorBenchは、実世界の行動トレースからパーソナライズされた意思決定モデリングを評価するためのベンチマークである。 textscBehaviorBenchは、公開市場とオンチェーンの記録からウォレットレベルの意思決定履歴を再構築する。 2,000以上の評価ウォレットで、ベンチマークには141,445のBeliefインスタンスと1,485,972のTradeインスタンスが含まれている。
  論文  参考訳（メタデータ） (2026-06-01T19:04:36Z)
• Monitoring the Internal Monologue: Probe Trajectories Reveal Reasoning Dynamics [42.27928681606673]
  大規模推論モデル (LRM) は, 思考の連鎖 (CoT) 推論を通じて, 安全監視のための新たな機会を導入する。 本研究では,LRMの隠れ表現について検討し,今後の挙動をプロンプトおよびCoT表現から予測できるかどうかを検証した。 将来のモデル行動は, 単一の静的予測より, 完全な軌道上での検証において, より区別し易いことが判明した。
  論文  参考訳（メタデータ） (2026-05-18T15:29:04Z)
• Beyond Model Ranking: Predictability-Aligned Evaluation for Time Series Forecasting [18.018179328110048]
  スペクトルコヒーレンスに基づく予測可能性整合診断フレームワークを提案する。 予測可能性ドリフト(predictability drift, 予測可能性ドリフト)の最初の体系的な証拠として, タスクの予測困難度が時間とともに急激に変化することを示す。 複雑なモデルは予測可能性の低いデータより優れているのに対し、線形モデルは予測可能なタスクに非常に効果的である。
  論文  参考訳（メタデータ） (2025-09-27T02:56:06Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
  そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。 本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
  論文  参考訳（メタデータ） (2024-08-24T18:28:19Z)
• Towards Generalizable and Interpretable Motion Prediction: A Deep Variational Bayes Approach [54.429396802848224]
  本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。 このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。 動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
  論文  参考訳（メタデータ） (2024-03-10T04:16:04Z)
• Predictive Churn with the Set of Good Models [61.00058053669447]
  本稿では,予測的不整合という2つの無関係な概念の関連性について考察する。 予測多重性(英: predictive multiplicity)は、個々のサンプルに対して矛盾する予測を生成するモデルである。 2つ目の概念である予測チャーン(英: predictive churn)は、モデル更新前後の個々の予測の違いを調べるものである。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• ShuttleSHAP: A Turn-Based Feature Attribution Approach for Analyzing Forecasting Models in Badminton [52.21869064818728]
  バドミントンにおけるプレイヤー戦術予測のための深層学習アプローチは、部分的にはラリープレイヤの相互作用に関する効果的な推論に起因する有望なパフォーマンスを示している。 本稿では,Shapley値の変量に基づいてバドミントンにおける予測モデルを解析するためのターンベース特徴属性手法であるShuttleSHAPを提案する。
  論文  参考訳（メタデータ） (2023-12-18T05:37:51Z)
• Individual Mobility Prediction: An Interpretable Activity-based Hidden Markov Approach [6.1938383008964495]
  本研究では、個人移動予測のためのアクティビティに基づくモデリングフレームワークを開発する。 提案モデルでは,最先端の長期記憶モデル(LSTM)と同様の予測性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-01-11T16:11:27Z)

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。