論文の概要: Risk-Averse Decision Making with Multi-Level Reliability Guarantees

• arxiv url: http://arxiv.org/abs/2609.11524v1
• Date: Thu, 10 Sep 2026 13:26:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.370597
• Title: Risk-Averse Decision Making with Multi-Level Reliability Guarantees
• Title（参考訳）: マルチレベル信頼性保証によるリスク・リバース意思決定
• Abstract要約: 本稿では,真のシステム状態に関する不確実性の存在下で,このような証明書の重み付け平均を最大化する問題について検討する。 多様性に基づく無線伝送システムの数値実験は、単一の共有ポリシでマルチレベル証明書を強制するコストを示す。
• 参考スコア（独自算出の注目度）: 31.006941545235396
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many applications in engineering, including wireless broadcasting, require designs that provide performance certificates at different target outage levels. This paper studies the problem of maximizing the weighted average of such certificates in the presence of uncertainty about the true system state. The problem is shown to be equivalent to an optimization over nested prediction sets, connecting to the literature on conformal prediction and extending prior art on single-level risk-averse decision making. Furthermore, we derive a dual formulation that decouples optimization across input values. Numerical experiments on a diversity-based wireless transmission system illustrate the cost of enforcing multi-level certificates with a single shared policy and trace the Pareto trade-off between multiple reliability levels.
• Abstract（参考訳）: 無線放送を含む多くの工学的応用は、異なる目標の停止レベルのパフォーマンス証明書を提供する設計を必要とする。 本稿では,真のシステム状態に関する不確実性の存在下で,このような証明書の重み付け平均を最大化する問題について検討する。 この問題は、ネストした予測セットに対する最適化と等価であることが示され、共形予測に関する文献に接続し、単一レベルのリスク-逆決定における先行技術を拡張する。 さらに、入力値間で最適化を分離する2つの定式化を導出する。 多様性に基づく無線伝送システムにおける数値実験は、単一の共有ポリシでマルチレベル証明書を強制するコストを示し、複数の信頼性レベル間のParetoトレードオフをトレースする。

関連論文リスト

• CDCP: Conditional Diffusion Model with Contextual Prompts for Multi-task Offline Safe Reinforcement Learning [63.5739698095413]
  マルチタスクのオフライン安全な強化学習(RL)は、複数のタスクにわたるオフラインデータから、共有された最適な安全なポリシを学ぶことを約束する。 しかし、マルチタスク、安全制約、アウト・オブ・ディストリビューションの3つの課題は、既存の手法にとって大きなハードルとなっている。 本稿では,これらの課題に対処する条件付き拡散モデルを提案する。
  論文  参考訳（メタデータ） (2026-07-04T14:57:35Z)
• Duality for Optimal Multi-Item, Multi-Bidder Auction Design: Revenue Certificates through Deep Learning [16.458707311156108]
  我々は,マルチイテム,マルチバイダオークション,支配戦略インセンティブ互換性(DSIC)の2つの問題に対処する最初の計算フレームワークを紹介する。 ニューラルネットワークを用いて,構造的に保証された厳密な流れ保存特性を用いて,ラグランジュ乗算器のパラメータ化を行う。 我々は,昇降が連続的な均一な評価を持つマルチイテム,マルチバイダオークションに対して,有効な収益上限を与えることを証明した。
  論文  参考訳（メタデータ） (2026-06-08T19:42:01Z)
• Online Conformal Prediction: Enforcing monotonicity via Online Optimization [23.99156538891498]
  そこで本稿では, 範囲の範囲にまたがって, エンハンス付き予測セットを出力する2つの新しいオンライン共形予測手法を提案する。 提案手法は,予測セットのネストネスを強制しながら,量子推定誤差制御に変換される小さな後悔を伴うオンライン最適化の視点を活用する。
  論文  参考訳（メタデータ） (2026-05-12T19:18:43Z)
• Test-time Adaptive Hierarchical Co-enhanced Denoising Network for Reliable Multimodal Classification [55.56234913868664]
  マルチモーダルデータを用いた信頼性学習のためのTAHCD(Test-time Adaptive Hierarchical Co-enhanced Denoising Network)を提案する。 提案手法は,最先端の信頼性の高いマルチモーダル学習手法と比較して,優れた分類性能,堅牢性,一般化を実現する。
  論文  参考訳（メタデータ） (2026-01-12T03:14:12Z)
• MMR1: Enhancing Multimodal Reasoning with Variance-Aware Sampling and Open Resources [113.33902847941941]
  VAS (Variance-Aware Sampling) は、Variance Promotion Score (VPS) によって導かれるデータ選択戦略である。 我々は、1.6MのCoT冷間開始データと15kのRLQAペアを含む大規模かつ慎重にキュレートされたリソースをリリースする。 数学的推論ベンチマークによる実験では、キュレートされたデータと提案されたVASの有効性が示されている。
  論文  参考訳（メタデータ） (2025-09-25T14:58:29Z)
• Data-Driven Calibration of Prediction Sets in Large Vision-Language Models Based on Inductive Conformal Prediction [0.0]
  動的しきい値キャリブレーションとクロスモーダル整合性検証を統合したモデル非依存不確実性定量化法を提案する。 このフレームワークは、様々なキャリブレーションとテストの分割比で安定したパフォーマンスを実現し、医療、自律システム、その他の安全に敏感な領域における現実的な展開の堅牢性を強調している。 この研究は、マルチモーダルAIシステムにおける理論的信頼性と実用性の間のギャップを埋め、幻覚検出と不確実性を考慮した意思決定のためのスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-04-24T15:39:46Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Multi-QuAD: Multi-Level Quality-Adaptive Dynamic Network for Reliable Multimodal Classification [57.08108545219043]
  既存の信頼性の高いマルチモーダル分類手法では、データ品質のロバストな推定ができない。 textitMulti-level Quality-Adaptive Dynamic multimodal network (Multi-QuAD) と呼ばれる信頼性の高い分類のための新しいフレームワークを提案する。 4つのデータセットで行った実験により、Multi-QuADは分類性能と信頼性において最先端の手法を大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-12-19T03:26:51Z)
• Conformal Prediction for Federated Uncertainty Quantification Under Label Shift [57.54977668978613]
  Federated Learning(FL)は、多くのクライアントが協力してモデルをトレーニングする機械学習フレームワークである。 我々は、量子回帰に基づく新しいコンフォメーション予測法を開発し、プライバシー制約を考慮した。
  論文  参考訳（メタデータ） (2023-06-08T11:54:58Z)

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。