論文の概要: Second-Order Policy Effects as State Transitions: A Source-Linked Benchmark for Policy Simulation

• arxiv url: http://arxiv.org/abs/2608.15101v1
• Date: Sat, 15 Aug 2026 07:53:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.197719
• Title: Second-Order Policy Effects as State Transitions: A Source-Linked Benchmark for Policy Simulation
• Title（参考訳）: 状態遷移としての2次政策効果:政策シミュレーションのソースリンクベンチマーク
• Abstract要約: 政策シミュレーションのためのソースリンク型ベンチマークを提案する。 このベンチマークには、8つのドメインにわたる96のパブリック・ポリティクス・ケースが含まれている。 シミュレータは、リスク登録ベースラインの0.838と比較して0.945の平均ポリシー効果品質を実現している。
• 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: Policy evaluation often estimates direct benefits and costs while treating the institutional environment as fixed. In practice, a policy changes the system it enters: actors adapt, enforcement capacity shifts, burdens move, and new equilibria form around capture, gaming, compliance theater, irreversibility, and repair costs. We formalize this as second-order policy-effect prediction and present a source-linked benchmark for policy simulation. The benchmark contains 96 named public-policy cases across eight domains and four balanced action classes: implement, modify, pilot, and block. Each case includes source locators and state variables for benefit, capture, gaming, burden shift, instability, uncertainty, irreversibility, distributional risk, and implementation capacity. The runner regenerates method outputs and aggregate results from the case table, and the simulator never reads the expert action target. We report a protocol-based transition-channel audit with recall, precision, F1-style efficiency, and selective top-channel stress diagnostics, so universal channel coverage is not mistaken for field validation. The side-effect simulator achieves mean policy-effect quality of 0.945, compared with 0.838 for the risk-register baseline and 0.879 for the causal-loop baseline. Its advantage is concentrated in side-effect recall and aggregate transition scoring; it does not dominate the best structured baselines on exact policy-action choice. The evidence remains benchmark-based, but supports a bounded claim: transition-state variables make policy simulators more sensitive to downstream institutional effects.
• Abstract（参考訳）: 政策評価は直接の利益とコストを見積もることが多いが、機関環境は固定されている。 実際には、アクターの適応、強制能力のシフト、負担の移動、キャプチャー、ゲーム、コンプライアンス・シアター、不可逆性、修理コストに関する新たな均衡などだ。 我々はこれを2次ポリシー効果予測として定式化し、ポリシーシミュレーションのソースリンクベンチマークを示す。 ベンチマークには8つのドメインにまたがる96のパブリックポリシーケースと、実装、修正、パイロット、ブロックという4つのバランスのとれたアクションクラスが含まれている。 それぞれのケースには、利益、キャプチャ、ゲーム、負担シフト、不安定性、不確実性、不可逆性、分散リスク、実装能力のためのソースロケータと状態変数が含まれている。 ランナーはケーステーブルからメソッドの出力と集約結果を再生し、シミュレータは専門家のアクションターゲットを読み取ることはない。 本稿では,プロトコルに基づくトランジション・チャンネル・オーディションを,リコール,精度,F1スタイルの効率,トップチャネル・ストレスの選択的診断に応用して報告する。 サイドエフェクトシミュレータは,リスクレジスタベースラインが0.838,因果ループベースラインが0.879,平均ポリシエフェクト品質が0.945である。 その利点は、サイドエフェクト・リコールとアグリゲート・トランジション・スコアリングに集中しており、正確な政策-行動選択における最良の構造的ベースラインを支配していない。 遷移状態変数は、下流の制度効果に対してポリシーシミュレータをより敏感にする。

関連論文リスト

• Platform Adaptation Under Governance Interventions: Actor Best-Response Modeling and an External Public-Case Benchmark [3.719121868494767]
  本稿では,マルチアクター情報システムのトランジションとしてガバナンスの介入を評価するためのプラットフォーム適応モデルを開発する。 メディア収益化,ランキングシステム,検証,デリバリプラットフォーム,マーケットプレース,アプリストア,コミュニティプラットフォーム,クリエーターエコシステムを対象とする,72件の外部プラットフォームガバナンス事例を対象としたモデルの評価を行った。
  論文  参考訳（メタデータ） (2026-08-15T09:09:32Z)
• One-Way Policy Optimization for Self-Evolving LLMs [63.8638342097375]
  RLVR(Reinforcement Learning with Verifiable Rewards)は,Large Language Models(LLMs)の推論能力を拡張するための,有望なパラダイムとなっている。 本稿では,最適化方向を更新等級から切り離す手法である1-Way Policy Optimization (OWPO)を提案する。 実験の結果,OWPOはDAPO,OPD,MOPDなどの強いベースラインより優れていた。
  論文  参考訳（メタデータ） (2026-05-21T08:25:27Z)
• Trust the Batch, On- or Off-Policy: Adaptive Policy Optimization for RL Post-Training [50.86545293331458]
  強化学習は、教師付き学習よりも構造的に難しい。 本稿では,固定クリッピングを政策比率の正規化された有効サンプルサイズに置き換える,単純かつ効果的なバッチ適応目的を提案する。
  論文  参考訳（メタデータ） (2026-05-12T16:44:47Z)
• Meituan Merchant Business Diagnosis via Policy-Guided Dual-Process User Simulation [15.639936579155922]
  グループレベルのユーザ行動のシミュレーションは、コストのかかるオンライン実験を伴わずに、商業戦略のスケーラブルな偽物評価を可能にする。 動作軌跡から伝達可能な決定ポリシーをマイニングする2プロセスフレームワークであるPGHS(Policy-Guided Hybrid Simulation)を提案する。 PGHSはグループシミュレーションの誤差の8.80%を達成し、それぞれ45.8%、40.9%改善した。
  論文  参考訳（メタデータ） (2026-04-16T16:23:13Z)
• Explainable Autonomous Cyber Defense using Adversarial Multi-Agent Reinforcement Learning [2.0391237204597368]
  本稿では,自律型サイバー防御のための因果的マルチエージェント決定フレームワーク(C-MADF)を提案する。 C-MADFは因果モデリングと敵対的二重政治制御を統合している。 現実世界のCICIoT2023データセットでは、C-MADFは偽陽性率を11.2%、9.7%、そして8.4%と3つの最先端文献のベースラインを1.8%に下げている。
  論文  参考訳（メタデータ） (2026-04-06T05:40:43Z)
• Robust Regularized Policy Iteration under Transition Uncertainty [6.7431287237221085]
  我々は、オフラインRLをロバストなポリシー最適化として定式化し、遷移カーネルを不確実性集合内の決定変数として扱う。 本稿では、抽出可能な最大最小二レベル目標を、抽出可能なKL正規化サロゲートに置き換えるロバスト正規化ポリシーイテレーション(RRPI)を提案する。 D4RLベンチマークの実験では、RRPIは高い平均性能を示し、最近のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-03-10T08:18:27Z)
• Sim2Act: Robust Simulation-to-Decision Learning via Adversarial Calibration and Group-Relative Perturbation [54.29523408543184]
  シミュレーションと意思決定の学習は、現実世界の展開を危険にさらすことなく、デジタル環境で安全なポリシートレーニングを可能にする。 既存のアプローチでは、平均的なシミュレーションの忠実さを改善するか、保守的な正規化を採用するかに重点を置いている。 提案するSim2Actは,シミュレータとポリシーのロバスト性の両方に対処するロバストなシミュレーション・トゥ・意思決定フレームワークである。
  論文  参考訳（メタデータ） (2026-03-10T00:51:47Z)
• Bayesian Conservative Policy Optimization (BCPO): A Novel Uncertainty-Calibrated Offline Reinforcement Learning with Credible Lower Bounds [1.2183405753834562]
  オフライン強化学習(RL)は、ログ化された遷移の固定バッチから決定ポリシーを学ぶことを目的としている。 本稿では,不確実性を即興的に保守的な政策改善に変換する統一的な枠組みであるEmphBayesian conservative Policy Optimization (BCPO)を提案する。 BCPOは環境/価値モデルよりも階層的なベイズ的後縁を維持し、アクション値に基づいてエンフレッシブルな下界(LCB)を構築し、明示的なKL正規化の下でポリシー更新を行う。
  論文  参考訳（メタデータ） (2026-03-06T01:46:02Z)
• See Less, Drive Better: Generalizable End-to-End Autonomous Driving via Foundation Models Stochastic Patch Selection [51.59559387222532]
  エンドツーエンド自動運転の最近の進歩は、パッチアライメント機能で訓練されたポリシーが、アウト・オブ・ディストリビューション(OOD)よりも一般化していることを示している。 我々は、より堅牢で、一般化可能で、効率的な学習ポリシーのためのシンプルで効果的なアプローチである2.4-Patch-Selection(SPS)を提案する。
  論文  参考訳（メタデータ） (2026-01-15T18:58:33Z)
• Relative Entropy Pathwise Policy Optimization [66.03329137921949]
  そこで本稿では,Q値モデルをオンライントラジェクトリから純粋に訓練するオンラインアルゴリズムを提案する。 安定トレーニングのための制約付き更新と探索のためのポリシを組み合わせる方法を示し、価値関数学習を安定化させる重要なアーキテクチャコンポーネントを評価する。
  論文  参考訳（メタデータ） (2025-07-15T06:24:07Z)
• Off-Policy Evaluation for Large Action Spaces via Policy Convolution [60.6953713877886]
  ポリシ・コンボリューション(Policy Convolution)のファミリーは、アクション内の潜在構造を使用して、ログとターゲットポリシを戦略的に畳み込みます。 合成およびベンチマークデータセットの実験では、PCを使用する場合の平均二乗誤差(MSE)が顕著に改善されている。
  論文  参考訳（メタデータ） (2023-10-24T01:00:01Z)

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。