Fugu-MT 論文翻訳(概要): It's a matter of timescale: non-linear utility in successor features and multi-objective planning and learning

論文の概要: It's a matter of timescale: non-linear utility in successor features and multi-objective planning and learning

arxiv url: http://arxiv.org/abs/2608.25723v2
Date: Mon, 31 Aug 2026 09:09:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-01 15:47:04.151325
Title: It's a matter of timescale: non-linear utility in successor features and multi-objective planning and learning
Title（参考訳）: 時間スケールの問題:後継機能における非線形ユーティリティと多目的計画と学習
Abstract要約: 多目的RL(SERとESR)における現在の主要なアプローチは不十分である。それぞれのアプローチは、異なるタイムスケールにおけるユーザーユーティリティに対する非線形効果を扱いますが、異なるタイムスケールで異なる効果が同じ決定問題の中で起こり得ることを考慮してはいません。
参考スコア（独自算出の注目度）: 10.762811961594196
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Time is of the essence when dealing with multiple reward signals and non-linear utility. In this paper we argue that the current main approaches in multi-objective RL (SER and ESR), and successor features, are insufficient. While each approach deals with non-linear effects on user utility on different timescales, none of them take into account that different effects happening on different timescales can happen within the same decision problem. We motivate that this can indeed be the case by an example, both intuitively and numerically, leading to a new perspective, and a significant and non-trivial gap in the literature.
Abstract（参考訳）: 複数の報酬信号と非線形ユーティリティを扱う場合、時間が非常に重要です。本稿では、多目的RL(SERとESR)における現在の主要なアプローチと後継機能について論じる。それぞれのアプローチは、異なるタイムスケールにおけるユーザーユーティリティに対する非線形効果を扱いますが、異なるタイムスケールで異なる効果が同じ決定問題の中で起こり得ることを考慮してはいません。これは、直感的にも数値的にも、新しい視点につながり、文学における重要かつ非自明なギャップを生じさせる例である。

関連論文リスト

Dynamical modeling of nonlinear latent factors in multiscale neural activity with real-time inference [0.0]
同時に記録された複数の時系列モードから,対象変数をリアルタイムに復号できる学習フレームワークを開発した。提案モデルでは,時間スケールや分布の異なるモダリティにまたがる情報を集約し,サンプルの欠落を検知し,リアルタイムなターゲットデコーディングを改善する。
論文参考訳（メタデータ） (2025-12-13T21:20:21Z)
Conditional independence testing with a single realization of a multivariate nonstationary nonlinear time series [26.18999528465474]
非定常非線形過程を単一実現した条件独立試験のための最初のフレームワークを紹介する。我々のフレームワークの主な技術要素は、時間変化の非線形回帰、誤差過程の積の局所的長期共分散の推定、分布均一な強いガウス近似である。
論文参考訳（メタデータ） (2025-04-30T13:51:38Z)
Adversarial Dependence Minimization [78.36795688238155]
この研究は、線形対のデコリレーションを超越した依存最小化のための微分可能でスケーラブルなアルゴリズムを提供する。我々は,PCAを非線形デコリレーションに拡張し,画像分類法の一般化を改良し,自己教師あり表現学習における次元的崩壊を防止する3つのアプリケーションでその実用性を実証する。
論文参考訳（メタデータ） (2025-02-05T14:43:40Z)
PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
論文参考訳（メタデータ） (2024-02-25T17:39:44Z)
Pessimistic Nonlinear Least-Squares Value Iteration for Offline Reinforcement Learning [53.97335841137496]
非線形関数近似を用いたオフラインRLにおけるPNLSVI(Pessimistic Least-Square Value Iteration)と呼ばれるオラクル効率のアルゴリズムを提案する。本アルゴリズムは,関数クラスの複雑性に強く依存する後悔境界を享受し,線形関数近似に特化して最小限のインスタンス依存後悔を実現する。
論文参考訳（メタデータ） (2023-10-02T17:42:01Z)
Contrastive Example-Based Control [163.6482792040079]
報酬関数ではなく多段階遷移の暗黙的なモデルを学ぶオフラインのサンプルベース制御法を提案する。状態ベースおよび画像ベースのオフライン制御タスクの範囲で、学習された報酬関数を使用するベースラインよりも優れています。
論文参考訳（メタデータ） (2023-07-24T19:43:22Z)
If Influence Functions are the Answer, Then What is the Question? [7.873458431535409]
影響関数は、モデルの学習パラメータに対する1つのトレーニングデータポイントの除去の効果を効率的に推定する。影響推定は線形モデルの残余再トレーニングとよく一致しているが、最近の研究では、ニューラルネットワークではこのアライメントが不十分であることが示されている。
論文参考訳（メタデータ） (2022-09-12T16:17:43Z)
TimeREISE: Time-series Randomized Evolving Input Sample Explanation [5.557646286040063]
TimeREISEは時系列分類の文脈において、特に成功に対応するモデル属性法である。本手法は, 既往の高精度な測定方法と比較して, 優れた性能を示す。
論文参考訳（メタデータ） (2022-02-16T09:40:13Z)
Multi-Scale Adaptive Graph Neural Network for Multivariate Time Series Forecasting [8.881348323807158]
上記の問題に対処するために,マルチスケール適応グラフニューラルネットワーク(MAGNN)を提案する。 4つの実世界のデータセットの実験では、MAGNNは様々な設定で最先端のメソッドよりも優れています。
論文参考訳（メタデータ） (2022-01-13T08:04:10Z)
Instance-wise Graph-based Framework for Multivariate Time Series Forecasting [69.38716332931986]
我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
論文参考訳（メタデータ） (2021-09-14T07:38:35Z)
Leveraging Pre-Images to Discover Nonlinear Relationships in Multivariate Environments [0.0]
因果発見は、人工知能を用いた科学的発見において重要な機能を提供する。多くの実世界の時間観測が互いに非線形に関連していることが判明した。本手法は,観測が時間によって制限され,非線形に関連している場合に,最先端の因果発見法より優れていることを示す。
論文参考訳（メタデータ） (2021-06-01T22:42:51Z)
Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
論文参考訳（メタデータ） (2021-01-16T23:45:02Z)

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。