論文の概要: Counterfactual Quotient Models: Learning What Actions Change, Not What the World Does

• arxiv url: http://arxiv.org/abs/2608.22092v1
• Date: Sat, 22 Aug 2026 19:55:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.607597
• Title: Counterfactual Quotient Models: Learning What Actions Change, Not What the World Does
• Title（参考訳）: 反現実的クオリティモデル: アクションがどう変わるかを学ぶのは、世界が何をするかではなく
• Abstract要約: 強化学習モデルは一般的に、完全な将来の状態、観察、または特徴の占有率を予測する。 このモデルでは、アクション間で共有されるコンポーネントによってのみ異なる場合に、アクション条件付き未来を等価として扱う。
• 参考スコア（独自算出の注目度）: 14.67340173071927
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reinforcement-learning models commonly predict complete future states, observations, or feature occupancies, even though action selection depends only on differences between the consequences of candidate actions. As a result, these models may devote substantial statistical and representational capacity to high-dimensional phenomena that evolve independently of the agent's current choice. We introduce the Counterfactual Quotient Model, which treats action-conditioned futures as equivalent when they differ only by a component shared across actions. Its canonical centered representation removes this common component while preserving every pairwise action comparison expressible by the modeled reward family. The implemented model learns these action-dependent effects directly from synchronized counterfactual rollouts, so shared stochastic dynamics cancel before function approximation rather than after complete futures have been predicted. We establish the decision sufficiency, identifiability, common-mode invariance, approximation behavior, and regret properties of the resulting representation. Controlled experiments in physics-based environments provide initial evidence for these properties: direct effect learning suppresses action-independent variation, supports previously unseen reward queries, and improves action ranking relative to models trained to predict absolute futures.
• Abstract（参考訳）: 強化学習モデルは通常、アクション選択は、候補アクションの結果の違いにのみ依存するが、完全な将来の状態、観察、特徴占有率を予測する。 結果として、これらのモデルは、エージェントの現在の選択とは独立して進化する高次元現象に対して、かなりの統計的および表現的容量を割くことができる。 このモデルでは、アクション間で共有されるコンポーネントによってのみ異なる場合に、アクション条件付き未来を等価として扱う。 その標準中心表現は、モデル化された報酬族によって表現可能なすべてのペアのアクション比較を保存しながら、この共通成分を除去する。 実装されたモデルは、これらのアクション依存効果を直接、同期された反ファクトロールアウトから学習するので、完全な未来よりも関数近似よりもむしろ関数近似よりも先に共有確率力学がキャンセルされる。 我々は, 決定十分性, 識別可能性, 共通モード不変性, 近似挙動, 結果表現の後悔特性を確立する。 直接効果学習は行動非依存の変動を抑制し、以前は目に見えない報酬クエリをサポートし、絶対未来を予測するために訓練されたモデルに対する行動ランキングを改善する。

関連論文リスト

• Reading Cognition as Decisions Unfold in Words: A Factorized Inverse Decision Model [67.84198127797005]
  逆決定モデリングは、観察された行動から決定過程の潜伏特性を推定する。 本稿では、各個人のタスク実行可能性を行動要因と努力要因に分解する因子化逆決定モデル(FIDM)を提案する。
  論文  参考訳（メタデータ） (2026-08-10T07:46:13Z)
• Function-Valued Causal Influence in Nonlinear Time Series [0.0]
  時系列における因果発見は非線形機械学習モデルを用いてますます行われているが、結果として生じる因果関係はほとんど常にスカラーエッジスコアによって要約される。 このプラクティスは、非線型自己回帰モデル(状態依存関数)によって学習された真の対象を曖昧にしている、と我々は主張する。 我々は,加法的,寄与分解可能なアーキテクチャに対する関数値因果関係を定式化し,スカラー因果関係のスコアが深刻な情報のボトルネックとなることを示す。
  論文  参考訳（メタデータ） (2026-05-26T00:34:49Z)
• Active inference and artificial reasoning [36.949648744325046]
  この技術的注記は、基礎となる世界モデルの構造に関する最も多くの情報を提供する結果のサンプリングについて考察する。 我々は、世界モデルに関する最大の不確実性を解決する結果を求めることで得られるサンプル効率に焦点を当てる。
  論文  参考訳（メタデータ） (2025-12-24T11:59:36Z)
• Understanding the Implicit Biases of Design Choices for Time Series Foundation Models [90.894232610821]
  時系列基礎モデル(TSFM)は、時系列予測と関連する時間的タスクのための潜在的に強力で汎用的なツールのクラスである。 彼らの行動はデザインの微妙な帰納的バイアスによって強く形作られています。 モデルやデータの性質によって、これらのバイアスが直感的であるか、非常に直感的であるかを示す。
  論文  参考訳（メタデータ） (2025-10-22T04:42:35Z)
• Internal Causal Mechanisms Robustly Predict Language Model Out-of-Distribution Behaviors [61.92704516732144]
  正当性予測の最も堅牢な特徴は、モデルの振舞いに特徴的な因果的役割を果たすものであることを示す。 モデル出力の正しさを予測するために因果メカニズムを利用する2つの手法を提案する。
  論文  参考訳（メタデータ） (2025-05-17T00:31:39Z)
• An Experimental Study on the Rashomon Effect of Balancing Methods in Imbalanced Classification [0.0]
  本稿では,ラショモン効果を用いた予測多重度に及ぼすバランス法の影響について検討する。 データ中心のAIにおける盲点モデル選択は、ほぼ同じ精度のモデルのセットからリスクが高いため、非常に重要です。
  論文  参考訳（メタデータ） (2024-03-22T13:08:22Z)
• Revisiting Demonstration Selection Strategies in In-Context Learning [66.11652803887284]
  大規模言語モデル(LLM)は、インコンテキスト学習(ICL)を用いて広範囲のタスクを実行するという印象的な能力を示している。 本研究ではまず,データとモデルの両方の側面から,この分散に寄与する要因を再検討し,実演の選択がデータとモデルに依存していることを確かめる。 本研究では,データとモデルに依存した実演選択手法である textbfTopK + ConE を提案する。
  論文  参考訳（メタデータ） (2024-01-22T16:25:27Z)
• Guide the Learner: Controlling Product of Experts Debiasing Method Based on Token Attribution Similarities [17.082695183953486]
  一般的な回避策は、二次バイアスモデルに基づいてトレーニング例を再重み付けすることで、堅牢なモデルをトレーニングすることである。 ここでは、バイアスドモデルが機能をショートカットする、という前提がある。 本稿では,主要モデルと偏りのあるモデル属性スコアの類似性を,プロダクト・オブ・エキスパートズ・ロス関数に組み込んだ微調整戦略を提案する。
  論文  参考訳（メタデータ） (2023-02-06T15:21:41Z)
• On the Impact of Temporal Concept Drift on Model Explanations [31.390397997989712]
  自然言語処理におけるモデル予測の表現忠実度は、トレーニングデータと同じ時間分布から保持されたデータに基づいて評価する。 8つの特徴属性法と3つの選択列予測モデルにより抽出されたモデル説明に対する時間的変動の影響について検討した。
  論文  参考訳（メタデータ） (2022-10-17T15:53:09Z)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• Plinko: A Theory-Free Behavioral Measure of Priors for Statistical Learning and Mental Model Updating [62.997667081978825]
  Plinko(リンク)は,参加者が利用可能なすべての結果に対してボール滴の分布を推定する行動課題である。 対象者は,確率分布の確率分布を中心にクラスタリングし,事前クラスタメンバシップは学習能力を示す可能性があることを示す。 我々は,個々の参加者が信頼できる表現であり,物理的に不可解な球滴分布に直面した場合,学習が阻害されないことを検証した。
  論文  参考訳（メタデータ） (2021-07-23T22:27:30Z)

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。