論文の概要: What a Data Release Must Preserve for Off-Policy Evaluation

• arxiv url: http://arxiv.org/abs/2610.15283v1
• Date: Sun, 11 Oct 2026 02:27:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 01:49:01.274289
• Title: What a Data Release Must Preserve for Off-Policy Evaluation
• Title（参考訳）: オフ・ポリティィ・アセスメントのためのデータリリースの保存方法
• Abstract要約: 政治外の評価では、特定の政策値や比較が異なる決定時間履歴をマージすることで、その評価を不特定にすることができる。 識別は、各リリースレコード内でアクション固有の評価重みが一定である場合にのみ保持される。 我々はこの鋭い間隔を含むAIPWエンベロープを構築し、その結果の分布を正確に一致させる。
• 参考スコア（独自算出の注目度）: 4.217526873611589
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In off-policy evaluation, merging decision-time histories that matter differently for a specified policy value or comparison can make that evaluation unidentified, even with observed actions and outcomes and known behavior and target policies. We characterize which distinctions must be preserved: identification holds if and only if the action-specific evaluation weights are constant within each released record, and the coarsest exact release groups histories by these weights. For normalized outcomes, the largest sharp width induced by the release equals a behavior-weighted within-record radius of these weights. The same radius becomes a release-design objective when each record may be refined into at most $m$ categories. The optimum has an exact $m$-center characterization. When behavior does not vary within a released record, we give a finite-data repair algorithm whose maximum evaluation-weight radius is at most twice the finite-data optimum. For a fixed action-outcome distribution within a released record, a distinct sharp-identification problem remains. Under the same condition, the action-specific outcome distributions are identified, and optimizing over their couplings gives the sharp interval. We construct an AIPW envelope containing this sharp interval; it matches the interval for all such outcome distributions exactly when the extreme within-record action-coefficient vectors take at most two values in each action coordinate. In 24 KuaiRec tasks, the repair algorithm yields a 93% median reduction in mean pairwise sharp width at $m=64$ relative to the unrepaired release.
• Abstract（参考訳）: 政治外の評価では、特定の政策値や比較で重要な決定時間履歴をマージすることで、観察された行動や結果、既知の行動や目標政策であっても、その評価を未特定にすることができる。 識別は、各リリースレコード内でアクション特異的評価重みが一定であることと、これらの重みによる最も粗い正確なリリースグループヒストリーを識別する。 正常化の結果に対して、放出によって誘導される最大の鋭い幅は、これらの重みの挙動重み付き内部記録半径と等しい。 同じ半径は、各レコードが少なくとも$m$のカテゴリに洗練される場合、リリース・デザインの対象となる。 最適値は、正確に$m$-center特性を持つ。 解放されたレコード内で振舞いが変化しない場合、最大評価重み半径が有限データ最適値の2倍の有限データ修復アルゴリズムを与える。 リリースレコード内の固定されたアクションアウトカム分布については、明確なシャープ識別の問題が残る。 同じ条件下では、行動特異的な結果分布が同定され、結合を最適化することで、鋭い間隔が与えられる。 我々はこの鋭い間隔を含むAIPWエンベロープを構築し、極端に記録された動作係数ベクトルが各行動座標で最大2つの値を取るときの全ての結果分布の間隔を正確に一致させる。 24 KuaiRecタスクでは、修復アルゴリズムは平均的鋭い幅を93%減少させる。

関連論文リスト

• DRSR: Learning Set-Level Deletion Risk for Efficient Long-Horizon Agents [55.84813053778976]
  ロングホライゾン言語モデルエージェントは、現在の決定と関係が変化する推論の痕跡、ツール交換、観察を蓄積する。 直接セットリスクスコアは、削除セットの選択としてエージェント履歴圧縮リスクを定式化する。 メカニカル・アナリシスとアブリケーションは、決定に制約のある関係、保持されたコンテキスト情報、ペア・インタラクション、および棄権がそれぞれ信頼できるプルーニングに寄与していることを示している。
  論文  参考訳（メタデータ） (2026-09-23T03:06:01Z)
• Online Supervised Dimension Reduction with Random Features: Diagnostics and Computational Trade-offs [3.7044133020722954]
  Online Kernel Supervised principal Component Analysis (OKSPCA)は、有限乱数係数座標における中心となるクロスモーメントと、確立された目的に対するAdamスタイルの正則基底更新を組み合わせたものである。 有限乱数係数座標における中心的クロスモーメントと、確立された目的に対するAdamスタイルの正規直交基底更新を組み合わせたOKSPCAについて、これらの区別について検討する。
  論文  参考訳（メタデータ） (2026-09-17T14:19:29Z)
• CFR without Unbiasedness: Deterministic Guarantees for Persistent Public-Chance Schedules [1.0390646006106319]
  均一な非負の加法的公切断に対する決定論的目標移動定理を確立する。 定理のコンポーネント解決形式は、実行トレースを数値的なエクスプロイラビリティ証明に変換する。 ディープ・スタディでは、32から64のフルカットの成果予算が交差し、その後、完全なカバレッジが支配される。
  論文  参考訳（メタデータ） (2026-08-14T09:28:35Z)
• When Can You Trust Offline Evaluation of Equal-Cost Top-k Allocation? A Controlled, Reproducible Benchmark and Practitioner's Guide [0.0]
  5つのデータセットと2つの既知のエフェクトスイープにまたがる6つの推定器をベンチマークし、非シミュレートされたペア参照に対してそのメカニズムを検証する。 ターゲット自身のスコアからロガーをシャープすると、テスト対象範囲をわずかにオーバーラップし、アクションレベルの不一致が崩壊する。 結果のニュアンスのみを適合させることは、再利用バイアスをその場に残し、それを悪化させます。
  論文  参考訳（メタデータ） (2026-08-12T18:10:10Z)
• Convex-Hull-Neighborhood Smooth Dual Generalization: Controlling Local Correction Propagation in Offline RL [7.803284875836737]
  ブートストラップは オフライン強化学習における 推定誤差を増幅する 本稿では,ベルマンのバックアップをサンプル値のターゲットとして表現し,CHN局所補正を行うConvex Hull Neborhood Smooth Dual Generalizationを提案する。 Gym-MuJoCoとAntMazeの実験は、強力な集約性能と安定した値推定を示す。
  論文  参考訳（メタデータ） (2026-08-04T04:30:02Z)
• Exact and Certified Data Shapley for Weighted k-Nearest-Neighbor Regression and Soft-Label Prediction [0.0]
  厳密なアルゴリズムは、最寄りの分類と回帰のために存在する。 重み付き回帰とソフトラベル予測は正確な手法に抵抗している。 オープンソースでCPUのみのライブラリをリリースしています。
  論文  参考訳（メタデータ） (2026-07-12T04:38:38Z)
• CollabEval: Statistically Efficient Collaborative Model Evaluation via Matrix Completion [65.53153291902454]
  コラボレーティブ・アセスメント(CollabEval)は、異なるモデルの歴史的実行間の依存関係を同じタスクで活用し、統計的効率を改善するための、シンプルで効果的で原則化された方法である。 スコア行列の低ランク近似を構築し、再構成された値を用いて真の評価基準平均の偏りのない推定を保証します。 その結果,CollabEval では,平均信頼区間サイズと点推定値の平均2乗誤差を,同じアノテーション予算における基準手法と比較して大幅に削減できることがわかった。
  論文  参考訳（メタデータ） (2026-07-06T13:22:04Z)
• A Principled Approach to Randomized Selection under Uncertainty: Applications to Peer Review and Grant Funding [61.86327960322782]
  本稿では,各項目の品質の間隔推定に基づくランダム化意思決定の枠組みを提案する。 最適化に基づく最適化手法であるMERITを導入する。 MERITが既存のアプローチで保証されていない望ましい公理特性を満たすことを証明している。
  論文  参考訳（メタデータ） (2025-06-23T19:59:30Z)
• Semiparametric conformal prediction [79.6147286161434]
  ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。 スコアの累積分布関数(CDF)を柔軟に推定する。 提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Minimax-Optimal Off-Policy Evaluation with Linear Function Approximation [49.502277468627035]
  本稿では,関数近似を用いたバッチデータ強化学習の統計的理論について検討する。 記録履歴から新たな対象政策の累積値を推定するオフ・ポリティクス評価問題を考察する。
  論文  参考訳（メタデータ） (2020-02-21T19:20:57Z)

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。