論文の概要: RSD-Poker: Structure-Adaptive and Shift-Robust Risk-Utility Certification for Residual Policies in Imperfect-Information Games

• arxiv url: http://arxiv.org/abs/2609.33669v1
• Date: Sun, 27 Sep 2026 15:29:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:53:58.742201
• Title: RSD-Poker: Structure-Adaptive and Shift-Robust Risk-Utility Certification for Residual Policies in Imperfect-Information Games
• Title（参考訳）: RSD-ポーカー:不完全情報ゲームにおける残留政策のための構造適応型およびシフトローバストリスクユーティリティ認定
• Abstract要約: RSD-Pokerは構造適応型およびシフトローバスト認証フレームワークである。 独立した構造分割に関するポリシ可視なパーティションを学び、キャリブレーションラベルが結合する前にそのパーティションを凍結する。 次に、ロバストなグループ対候補マップが、事前に宣言されたデプロイグループの不確実性セット上で選択される。
• 参考スコア（独自算出の注目度）: 23.604799907878245
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Residual policy adaptation provides a lightweight way to modify a strong reference policy, but a shared scale and a fixed subgroup partition can hide heterogeneous degradation and become fragile when the deployment mixture of information states changes. We introduce RSD-Poker, a structure-adaptive and shift-robust certification framework that freezes a bank of residual families and scales, learns a policy-visible partition on an independent structure split, and freezes that partition before calibration labels are joined. Each candidate-group pair receives a weighted simultaneous upper certificate for anchor-relative risk and a lower certificate for weak-response utility. A robust group-to-candidate map is then selected over a predeclared uncertainty set of deployment group proportions. Under independent calibration units drawn from each frozen group's law, a candidate bank and partition fixed before calibration, and invariant within-group conditionals, the selected map satisfies its declared mixture-robust risk budget and utility certificate with probability at least $1-ζ_{risk}-ζ_{util}$. The information contract supports both a teacher-backed transform and a teacher-free observation-only student. The retained deterministic 24-state audit remains an exact replay diagnostic: empirical-zero selects $α=0.08$, raising the weak-response proxy from 4.2082 to 4.2889 with $0/12$ held-out threshold crossings. On stratified held-out states, the learned-partition dual selector raises weak utility from 4.4074 under global dual certification to 4.4936 and lowers held-out violation from 0.0215 to 0.0078; its mixture-robust variant reaches violation 0.0059. Across five observation-only checkpoints, risk-calibrated residuals attain weak utility $4.3659\pm0.0177$ and violation rate $0.0178\pm0.0057$.
• Abstract（参考訳）: 残留ポリシー適応は、強力な参照ポリシーを修正するための軽量な方法を提供するが、共有スケールと固定サブグループパーティションは、情報状態のデプロイの混合が変化すると、不均一な劣化を隠蔽し、脆弱になる可能性がある。 RSD-Pokerは、残余の家族とスケールの銀行を凍結し、独立した構造分割に関する政策可視なパーティションを学習し、キャリブレーションラベルが結合する前にそのパーティションを凍結する構造適応型およびシフトロバスト認証フレームワークである。 各候補グループペアは、アンカー相対リスクのための重み付き同時上半身証明書と、弱い応答ユーティリティのための下半身証明書を受信する。 次に、ロバストなグループ対候補マップを、事前に宣言されたデプロイグループ比率の不確実性セット上で選択する。 各冷凍グループの法則から引き出された独立した校正単位、校正前に固定された候補バンクとパーティション、および変種内部条件の下では、選択された写像は、その宣言された混合ロバストなリスク予算とユーティリティ証明を少なくとも1->_{risk}->_{util}$で満足する。 情報契約は、教師支援型変換と教師支援型観察専用学習者の両方をサポートする。 実証ゼロが$α=0.08$を選択し、弱い応答プロキシを0/12$の閾値交差で4.2082から4.2889に引き上げる。 階層化された保持状態において、学習分割二重セレクタは、グローバルな二重認証の下で4.4074から4.4936に弱いユーティリティを上昇させ、ホールドアウト違反を0.0215から0.0078に下げる。 5つの観測のみのチェックポイント、リスク校正された残留物は、4.3659\pm0.0177$および違反レート0.0178\pm0.0057$に達した。

関連論文リスト

• Audit-First VAPO: Risk-Certified Selective Updates under Imperfect Verification [23.835119696596095]
  不完全な検証者は、クリップングや正規化がその大きさを束縛している場合でも、有害な更新を割り当てることができる。 Audit-First VAPOを導入し、離散的な方向入力と連続的な等級制御を分離する。
  論文  参考訳（メタデータ） (2026-09-27T15:21:45Z)
• Available Guardrails: Certifying Selective Prediction across ML Systems [40.57629016626049]
  安全, 粒度, サービストラフィックのトレードオフを明らかにする動的プログラムを開発する。 1つの計画上の候補分割を分割し、その中の1つを選択すると、このギャップの一部が回復することを示す。 相補的妥当性保存レバーは、報告ユニット間で家庭的にエラー予算を割り当て、追加のカバレッジを回復する。
  論文  参考訳（メタデータ） (2026-09-18T17:36:52Z)
• Authority-Preserving Evaluation of Medical Vision-Language Assistants [69.11739400975445]
  提案品質と選択された行動品質は、異なる評価対象である。 我々は、両方のアクションを記録するフレームワークAuthEvalを紹介し、宣言された局所的基準の下で選択されたアクションをスコアし、実行可能であれば、同じルールで辞退した提案をスコアする。
  論文  参考訳（メタデータ） (2026-09-14T19:17:23Z)
• Guaranteed Adaptive Modality Acquisition: When the Policy Chooses Its Own Calibration Group [0.0]
  マルチモーダルシステムは、入力のいくつかのみを保持する推論を開始し、残りをコストで取得することができる。 パターン条件保証が有効であり続けると特徴付け、2つの有限サンプル構成を与える。 逆例は、カリブレーション非依存のグルーピングマップに対して証明された保証が、ポリシーが端末群キャリブレーションに依存した場合、転送する必要はないことを示している。
  論文  参考訳（メタデータ） (2026-08-16T04:19:31Z)
• When Verifiers Vote Backwards under Verdict Substitution: Signed Pivotal Value in Correlated Self-Consistency [9.710464466895521]
  1回の投票で決定されるクエリのみ 多数決を変更できる。 ラベル付き検証スタイルの介入を用いて,その変化の兆候について検討する。
  論文  参考訳（メタデータ） (2026-08-08T05:02:34Z)
• RankCert: When Can Simulated Learners Safely Select an AI Tutor? Robust Decision Certification Under Structural Uncertainty [0.0]
  RankCertは、モデル平均効用、確率ベスト、後悔、クロスドメインのランク、家族のカバレッジ、およびワン・ワン・ドメイン・アウトとワン・ワン・ヴィジブル・ファミリー・アウトの平均が同じ候補をサポートする場合にのみ、8つの平等予算の教育ポリシーの1つを認定する。 RankCertを、回転する5つのオラクルファミリー、1家族あたり64のシナリオ、4つのコホートサイズにまたがる1,280個の凍結保持状態において評価した。
  論文  参考訳（メタデータ） (2026-08-02T03:53:17Z)
• Valid Per-Field Selective Risk Control for Document Extraction: Three Failure Modes, a Validity Ladder, and When Conditioning Pays [0.0]
  フィールド単位の受け入れ/レビューは、ほとんどのアルファ版において選択的なリスクを持つが、信頼契約文書抽出システムを必要とする。 13,859 個の CORD レシート (49.0% ) からの真の Claude-sonnet-5 フィールドでは、3 つの障害モードを診断する。 シードピンでレグレッション付きプロシージャを備えたApache-2.0がリリースされた。
  論文  参考訳（メタデータ） (2026-07-28T17:08:50Z)
• When No Benchmark Exists: Validating Comparative LLM Safety Scoring Without Ground-Truth Labels [34.86529553336423]
  多くのデプロイメントは、関連する言語、セクター、または規制体制のためにラベル付きベンチマークが存在する前に、安全のために候補言語モデルを比較する必要がある。 我々は、この設定をベンチマークレス比較安全スコアとして定式化し、シナリオベースの監査をデプロイ証拠として解釈できる契約を指定する。 スコアは固定されたシナリオパック、ルーリック、監査、審査、サンプリング設定、再実行予算でのみ有効である。
  論文  参考訳（メタデータ） (2026-05-07T17:56:41Z)
• Prompt-Induced Score Variance in Zero-Shot Binary Vision-Language Safety Classification [43.86209535250233]
  クロスプロンプト分散は、プロンプトレベルの不一致とより高いエラーと強く関連している。 トレーニングフリーの平均アンサンブルは、14のデータセットモデル評価ペアすべてでNLLを改善する。 ゼロショットVLMの第1スコアに対する信頼性ストレステストとみなす。
  論文  参考訳（メタデータ） (2026-05-01T01:06:30Z)
• Trusted Uncertainty in Large Language Models: A Unified Framework for Confidence Calibration and Risk-Controlled Refusal [31.458406135473805]
  異種不確実性証拠を正当性の校正確率に変換する統一フレームワークUniCRを提案する。 UniCRは、温度スケーリングと適切なスコアリングを備えた軽量なキャリブレーションヘッドを学習する。 ショートフォームQA、実行テスト付きコード生成、検索強化ロングフォームQAの実験は、キャリブレーションメトリクスの一貫性のある改善を示している。
  論文  参考訳（メタデータ） (2025-09-01T13:14:58Z)

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。