論文の概要: A Simple Doxastic Deontic Logic for Norm-Guided Decision Making
- arxiv url: http://arxiv.org/abs/2610.00668v1
- Date: Wed, 30 Sep 2026 20:04:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.751844
- Title: A Simple Doxastic Deontic Logic for Norm-Guided Decision Making
- Title（参考訳）: ノームガイド決定のための簡易なドクサスティックデオン論理
- Abstract要約: 矛盾する規範や信頼できない情報に拘わらず、決定を下すためのドクサスティックな論理を導入する。
エージェントが重み付きノルム違反を最小限に抑える決定を下すようなドクサスティックノルムコンプライアンス最適化問題を定義する。
我々は主観的(エージェントの信念に関連する)と客観的な最適化を区別する。
- 参考スコア（独自算出の注目度）: 3.6095388702618414
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Making decisions despite conflicting norms and incomplete or unreliable information is a fundamental challenge for autonomous systems. We introduce a simple doxastic deontic logic for this setting: a classically reducible fragment of Chellas' Minimal Deontic Logic, extended with explicit conditional norms and combined with multi-agent KD45, so that norms can depend on agents' beliefs about both facts and norms. On this logic we define the Doxastic Norm Compliance Optimization Problem, where an agent chooses a decision minimizing weighted norm violations. We distinguish subjective optimization (relative to the agent's beliefs) from objective optimization (relative to the actual facts). We give conditions under which (i) the two coincide and (ii) optimal decision-making can be reduced to weighted partial MaxSAT in polynomial time.
- Abstract（参考訳）: 矛盾する規範や不完全あるいは信頼できない情報にもかかわらず決定を下すことは、自律システムにとって根本的な課題である。
クララスの最小 Deontic Logic の古典的に再現可能な断片を明示的な条件ノルムで拡張し、マルチエージェント KD45 と組み合わせることで、規範は事実と規範の両方に関するエージェントの信念に依存することができる。
この論理に基づいて、エージェントが重み付きノルム違反を最小限に抑える決定を選択するDoxastic Norm Compliance Optimization Problemを定義する。
我々は、主観的最適化(エージェントの信念に関する)と客観的最適化(実際の事実に関する)を区別する。
条件を定めます
(i)両者が一致し、一致する
(ii) 最適決定は多項式時間で加重部分MaxSATに還元できる。
関連論文リスト
- Selective Ensemble Based on Preference-Directed Multi-Objective Bandits [90.75513823660775]
我々は、部分的に指定された線形選好の下で逐次決定問題を定式化する。
次に、嗜好指向の高信頼度境界(PrefUCB)アルゴリズムを提案する。
大規模な事前学習型モデル選択アンサンブルタスクと,機関委任下でのオンラインアセットアロケーションの実験により,本手法が検証された。
論文 参考訳（メタデータ） (2026-06-20T07:52:46Z) - A Minimum Description Length Approach to Regularization in Neural Networks [4.458381173954051]
正規化手法の選択は形式言語で訓練する上で重要な役割を担っていることを示す。
既存の正規化手法とは異なり、MDLは過剰適合を効果的に防止し、一般化を促進するために適切な帰納バイアスを導入する。
論文 参考訳（メタデータ） (2025-05-19T17:34:56Z) - Training Deep Learning Models with Norm-Constrained LMOs [56.00317694850397]
線形最小化オラクル(LMO)を用いて問題の幾何学に適応する新しいアルゴリズム群を提案する。
我々は,Adamに頼らずに,我々のアルゴリズムであるScionを用いたナノGPTトレーニングの大幅な高速化を示す。
論文 参考訳（メタデータ） (2025-02-11T13:10:34Z) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳（メタデータ） (2023-11-08T00:10:21Z) - Social Mechanism Design: A Low-Level Introduction [31.564788318133264]
エージェントは、意思決定結果と意思決定に使用されるルールまたは手順の両方を優先していることを示す。
低レベルにおける単純で直感的な選好構造を同定し、より高いレベルにおける選好の構成要素を形成するように一般化する。
非対称的二分法選択と憲法修正という2つの異なる領域における受容のアルゴリズムを解析する。
論文 参考訳（メタデータ） (2022-11-15T20:59:34Z) - Algorithm for Constrained Markov Decision Process with Linear
Convergence [55.41644538483948]
エージェントは、そのコストに対する複数の制約により、期待される累積割引報酬を最大化することを目的としている。
エントロピー正規化ポリシーとベイダの二重化という2つの要素を統合した新しい双対アプローチが提案されている。
提案手法は(線形速度で)大域的最適値に収束することが示されている。
論文 参考訳（メタデータ） (2022-06-03T16:26:38Z) - Faster Algorithm and Sharper Analysis for Constrained Markov Decision
Process [56.55075925645864]
制約付き意思決定プロセス (CMDP) の問題点について検討し, エージェントは, 複数の制約を条件として, 期待される累積割引報酬を最大化することを目的とする。
新しいユーティリティ・デュアル凸法は、正規化ポリシー、双対正則化、ネステロフの勾配降下双対という3つの要素の新たな統合によって提案される。
これは、凸制約を受ける全ての複雑性最適化に対して、非凸CMDP問題が$mathcal O (1/epsilon)$の低い境界に達する最初の実演である。
論文 参考訳（メタデータ） (2021-10-20T02:57:21Z) - Alternative Microfoundations for Strategic Classification [33.67797984699066]
完全な情報を持つ合理的なエージェントは、決定規則に対する集合的応答において不連続を生じさせることを示す。
標準的なマイクロファウンデーションの下での最適決定ルールは、社会的負担として知られる負の外部性の尺度を最大化する。
我々のモデルは、分析的トラクタビリティを保持し、安定点に関するより堅牢な洞察をもたらし、最適性において社会的負担を低くする。
論文 参考訳（メタデータ） (2021-06-24T00:30:58Z) - A Scalable Two Stage Approach to Computing Optimal Decision Sets [29.946141040012545]
決定木、決定リスト、決定セットといったルールベースのモデルは、伝統的に最も解釈可能なものとみなされる。
最近の研究は、最小サイズの決定セットを生成するために、命題満足度(SAT)の解を用いている。
本稿では,目的とする決定セットの個々のルールを互いに独立して列挙し,ルールのサブセットを選択することで,最小限の決定セットを学習するための新しい手法を提案する。
論文 参考訳（メタデータ） (2021-02-03T06:51:49Z)
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。