論文の概要: Learning Source Acquisition Policies by Offline Planning

• arxiv url: http://arxiv.org/abs/2609.14299v1
• Date: Sun, 13 Sep 2026 05:41:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.78573
• Title: Learning Source Acquisition Policies by Offline Planning
• Title（参考訳）: オフラインプランニングによるソース取得ポリシーの学習
• Abstract要約: O-MPACは、完全なトレーニングレコードから有限水平リスクコストターゲットを共有ソースアクションスコアラに転送する。 教師の目標と残りの計画的地平線が学習した意思決定にどのように影響するかを分析する。 O-MPACは、ソース適応GDFS、DIME、AACO+NN、および静的ポリシーに対する5つのタスクに対して、平均的な予算統合精度を持つ。
• 参考スコア（独自算出の注目度）: 4.521665817810516
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting under an acquisition budget requires choosing feature groups whose value can depend on later queries. O-MPAC transfers finite-horizon risk-cost targets from complete training records into a shared source-action scorer. At inference time, the scorer uses partial observations and source metadata, re-scores after each query, and applies a hard cost mask. We analyze how tied teacher targets and the remaining planning horizon affect the learned decisions. Uniform supervision over tied minima preserves the target distribution under source relabeling. In a five-seed routing experiment, it achieves 0.965 accuracy under both original and context-last orders. On six real tasks, validation selects H1 without action cross-entropy in all thirty splits. O-MPAC has the highest mean budget-integrated accuracy on five tasks against source-adapted GDFS, DIME, AACO+NN and a static policy.
• Abstract（参考訳）: 買収予算下での予測には、後続のクエリに依存する可能性のある機能グループを選択する必要がある。 O-MPACは、完全なトレーニングレコードから有限水平リスクコストターゲットを共有ソースアクションスコアラに転送する。 推測時には、スコアラは部分的な観察とソースメタデータを使用し、クエリの後に再スコアし、ハードコストマスクを適用する。 教師の目標と残りの計画的地平線が学習した意思決定にどのように影響するかを分析する。 接続されたミニマに対する一様監視は、ソースレザベリングの下でターゲット分布を保存する。 5列のルーティング実験では、元の順序とコンテキストラスト順序の両方で0.965の精度を達成する。 6つの実際のタスクにおいて、バリデーションは30の分割すべてにおいて、アクションクロスエントロピーなしでH1を選択する。 O-MPACは、ソース適応GDFS、DIME、AACO+NN、および静的ポリシーに対する5つのタスクに対して、平均的な予算統合精度を持つ。

関連論文リスト

• Convergent Detour Hijacking: Task-Preserving Resource Amplification in Skill-Based LLM Agents [15.526916927007049]
  LLMエージェントは、選択のための自然言語記述と計画のための教示体を使用して、ますますサードパーティのスキルに依存している。 Convergent Detour Hijacking(CDH)を紹介します。 複数 LLM バックエンドと 491 のホールドアウトタスクを単一タスクおよび複数ターン条件下で評価した。
  論文  参考訳（メタデータ） (2026-08-12T17:12:49Z)
• PAIR: Pairwise-Aware Inclusion Reweighting for Adaptive Rollout Allocation in RLVR [0.0]
  検証可能な報酬を伴う強化学習は、長い推論軌道の計算生成グループの大部分に費やしている。 最近のアロケータは、難易度やユーティリティのポイントワイズな概念に従って、プロンプト、ロールアウト、トークンに予算を割り当てることで、このコストを削減している。 グループ相対スコア勾配は、独立点寄与の総和ではなく、ロールアウト対に対する2次統計値である。
  論文  参考訳（メタデータ） (2026-08-11T19:24:59Z)
• TRACE: A Unified Rollout Budget Allocation Framework for Efficient Agentic Reinforcement Learning [52.67756371231985]
  検証可能な報酬を伴う強化学習(RLVR)は、大規模言語モデルにおける推論とエージェント的行動を強化するための有望なアプローチである。 本稿では,Tree Rollout Allocation for Contrastive Exploration (TRACE)について紹介する。 技術的には、TRACEはロールアウト予算をルートと中間プレフィックスの両方に割り当てている。
  論文  参考訳（メタデータ） (2026-06-09T17:16:03Z)
• 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)
• Scalable Multi-Objective and Meta Reinforcement Learning via Gradient Estimation [8.50468505606714]
  強化学習(RL)における複数の目的を同時に最適化する政策を効率的に推定する問題について検討する。 この問題は、ロボット工学、制御、言語モデルにおける好みの最適化などの応用で生じる。 この問題に対処するために,メタトレーニングと微調整という2段階の手順を導入する。
  論文  参考訳（メタデータ） (2025-11-16T21:05:21Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Learning Stable Classifiers by Transferring Unstable Features [59.06169363181417]
  本研究では,素早い相関関係の存在下での伝達学習について検討する。 提案手法は, ソースタスクで学習した安定な特徴抽出器を直接転送しても, 対象タスクのバイアスを排除できないことを実験的に実証する。 我々は、ソースタスクの不安定な特徴とターゲットタスクの不安定な特徴が直接関連していると仮定する。
  論文  参考訳（メタデータ） (2021-06-15T02:41:12Z)
• AdaMatch: A Unified Approach to Semi-Supervised Learning and Domain Adaptation [38.510948869624194]
  AdaMatchは、教師なしドメイン適応(UDA)、半教師付き学習(SSL)、半教師付きドメイン適応(SSDA)のタスクを統一する手法である。 広範にわたる実験的研究において、視覚分類タスクにおけるSSL、SSDA、UDAの各最先端技術との比較を行った。 AdaMatch は、DomainNet の UDA タスクの先行状態の精度をほぼ2倍にし、事前トレーニングで得られた先行状態の精度を6.4%上回っている。
  論文  参考訳（メタデータ） (2021-06-08T23:39:12Z)
• Deep Co-Training with Task Decomposition for Semi-Supervised Domain Adaptation [80.55236691733506]
  半教師付きドメイン適応(SSDA)は、ラベル付きソースドメインからトレーニングされたモデルを、異なるが関連するターゲットドメインに適応させることを目的としている。 本稿では,SSDAタスクを対象ドメイン内の半教師付き学習(SSL)タスクと,ドメイン間の非教師付きドメイン適応(UDA)タスクの2つのサブタスクに明示的に分解することを提案する。
  論文  参考訳（メタデータ） (2020-07-24T17:57:54Z)

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。