論文の概要: Learning Deployable Causal Action Geometry under Temporal Non-Stationarity

• arxiv url: http://arxiv.org/abs/2610.16644v1
• Date: Mon, 12 Oct 2026 12:06:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 22:08:21.599446
• Title: Learning Deployable Causal Action Geometry under Temporal Non-Stationarity
• Title（参考訳）: 時間的非定常下での展開可能な因果行動幾何学の学習
• Abstract要約: 結果が時間の経過とともにドリフトするにつれて、Naively pooledモデルは、ベースラインのシフトとリバースアクションランキングによってアクション効果を説明できる。 一段階の応答が特定できたとしても、制限なしのクロスタイム一般化は基本的には不適切である。 本稿では, 動作非依存のレベルシフトを解消した後に残る動作応答形状である, 展開可能な因果行動幾何学を提案する。
• 参考スコア（独自算出の注目度）: 16.714171264880743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning a response law for continuous decisions from observational time series is central to many real-world decision systems, yet temporal non-stationarity poses a fundamental challenge: as outcomes drift over time, naively pooled models can conflate action effects with shifting baselines and even reverse action rankings. Even when the one-step response is identifiable, unrestricted cross-time generalization remains fundamentally ill-posed. We therefore seek the part of the response that remains stable for decisions even when outcome levels do not. We propose deployable causal action geometry: the action-response shape that remains after anchoring away action-independent level shifts on a selected link scale and profiling out positive amplitude variation. Building on this target, we develop a two-stage orthogonal estimator that first obtains cross-fitted pilot estimates of anchored responses and then performs honest profiled selection over link, representation, and shape classes. The resulting estimator admits oracle guarantees for the restricted target and, under approximate persistence, produces decision rules that remain near optimal in future periods. Experiments on synthetic data and Dominick's support the proposed target and its transfer behavior. In a randomized Taobao A/B test, the deployed system improves GMV and purchase counts by \(1.16\%\) and \(1.70\%\).
• Abstract（参考訳）: 観測時系列から連続的な決定に対する反応法を学ぶことは、多くの実世界の意思決定システムの中心であるが、時間とともに結果がドリフトするにつれて、自然なプールされたモデルは、ベースラインのシフトやアクションランキングの逆転によってアクション効果を説明できるという、時間的非定常性は根本的な課題を生じさせる。 一段階の応答が特定できたとしても、制限なしのクロスタイム一般化は基本的には不適切である。 したがって、結果レベルがそうでなくても、決定のために安定している応答の一部を求めます。 本稿では,選択したリンクスケール上での動作非依存レベルシフトを解消し,正の振幅変動をプロファイリングした後も残る動作応答形状をデプロイ可能な因果行動幾何学を提案する。 この目標に基づいて、2段階の直交推定器を開発し、まず、アンカー応答のクロスフィットしたパイロット推定値を取得し、その後、リンク、表現、形状クラスに対して正直なプロファイル選択を行う。 得られた推定器は、制限された目標に対するオラクルの保証を認め、近似された永続性の下で、将来の期間においてほぼ最適な決定ルールを生成する。 合成データの実験とドミニクが提案した目標とその伝達挙動を支持する。 ランダム化されたタオオA/Bテストでは、デプロイされたシステムはGMVを改善し、購入回数を1.16\%\および1.70\%\とする。

関連論文リスト

• AdaStep: Adaptive Step Credit Weighting for Agentic Reinforcement Learning [41.82249291285459]
  本稿では,各グループ由来の局所的優位性が軌道レベルの信号にどの程度強く依存するかを制御する適応ステップ重み付け手法を提案する。 AdaStepは軽量なスカラー計算しか必要とせず、批判もロールアウトも追加のモデル推論も不要である。 ALFWorld、WebShop、ScienceWorldの3つのモデルバックボーンによる実験では、低い計算コストでベースラインよりも一貫した改善が見られた。
  論文  参考訳（メタデータ） (2026-10-02T12:38:53Z)
• Credit-Guided Policy Improvement for Test-time Adaptive Vision-Language Navigation [53.30116823667751]
  視覚言語ナビゲーションのためのテスト時適応(TTA-VLN)により、事前訓練されたポリシーは、目に見えない環境にオンラインで適応できる。 分散シフトは、局所的な行動選好を歪め、オフコース決定につながる可能性がある。 我々は,行動誘発観察遷移から署名付き参照関連決定クレジットを回収する信用誘導政策改善(CGPI)を提案する。
  論文  参考訳（メタデータ） (2026-09-29T13:46:11Z)
• Recommendation World Models for Future-State Control [53.191633845200876]
  我々は、訓練されたランク付け者が将来の結果についての意思決定を支援する方法について研究する。 UA-TWM(UA-TWM)は,近傍のスレート動作を構成するユーティリティアンコールなワールドモデルインタフェースである。 本研究は,MovieLens-25MとKuaiRand-Pureにおける12の逐次バックボーン間の移動と,KuaiSimにおけるターゲット指向インタラクションの繰り返しを評価する。
  論文  参考訳（メタデータ） (2026-09-25T02:37:48Z)
• Selective Commitment for Language-Guided Object Retrieval under Partial Observability [1.582181611732474]
  部分的な可観測性の下での言語誘導オブジェクト検索では、より多くの証拠を集め、現場と対話し、候補者をつかむか、棄権するかを決定する必要がある。 参照コンテナに関連する対象を検索するために,これらの決定をコーディネートするクローズドループフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-19T16:59:07Z)
• Granularity-Adaptive Credit Assignment for Long-Horizon LLM Agent Reinforcement Learning [7.885980895039013]
  我々は、正しい解決法は国家に依存していると論じ、不確実性に基づく臨界性プロキシに従って粒度が続く批判のない推定器であるGACAを提案する。 GACAは、自己のロールアウトがすでに記録している負のログライクな記録によって各ステップをスコアし、そのスコアで成長するステップ毎の重みと2つのアドバンテージをブレンドする。 ALFWorldとWebShopでは、GACAはGRPOとGiGPOよりも1.5Bと7Bのスケールでタスクの成功を改善する。
  論文  参考訳（メタデータ） (2026-09-11T04:19:44Z)
• AlphaRJM: Reward-Jump Memory for Stochastic Return-Guided Alpha Discovery [0.42970700836450487]
  Reward-Jump Memoryはイベント駆動の潜在状態であり、トークン構築時に固定され、端末評価イベントのみで更新される。 また,動作条件付きSDEリターン評論家として,粒子を用いた将来のディスカウント発見リターンを示す。 経験的に、AlphaRJMは複数のエクイティ宇宙に強く安定した利得をもたらす。
  論文  参考訳（メタデータ） (2026-09-08T11:17:07Z)
• Active Timepoint Selection for Learning Measure-Valued Trajectories [55.49809248697036]
  スナップショットから連続確率パスを推定することは、単細胞生物学のような領域における根本的な課題である。 スパース測度空間にアクティブな実験を拡張するフレームワークを導入する。 これにより、不確実性を最小限に抑えるために測定時間を反復的に選択する取得ポリシーが得られる。
  論文  参考訳（メタデータ） (2026-05-28T22:22:35Z)
• Cross-fitted Proximal Learning for Model-Based Reinforcement Learning [3.5690236380446163]
  隠れた境界を持つオフライン環境では、観測データから直接学習されたモデルはバイアスを受けることがある。 近年の研究では, 部分的に観測可能なマルコフ決定過程(POMDPs)における政策評価を, 条件付きモーメント制約(CMRs)を満たす報奨・送達ブリッジ関数の推定に還元できることが示されている。
  論文  参考訳（メタデータ） (2026-04-06T21:29:57Z)
• APR: Penalizing Structural Redundancy in Large Reasoning Models via Anchor-based Process Rewards [61.52322047892064]
  テスト時間スケーリング(TTS)は、Large Reasoning Models(LRM)の機能を大幅に強化した。 我々は, LRM が推論過程において最終回答を得た後も, 再検討なしに反復的自己検証を頻繁に行うことを観察した。 本稿では,Anchor-based Process Reward (APR)を提案する。
  論文  参考訳（メタデータ） (2026-01-31T14:53:20Z)
• Active Test-time Vision-Language Navigation [60.69722522420299]
  ATENAは、不確実なナビゲーション結果に対するエピソードフィードバックを通じて、実用的な人間とロボットのインタラクションを可能にする、テスト時のアクティブな学習フレームワークである。 特にATENAは、成功エピソードにおける確実性を高め、失敗エピソードにおいてそれを減らすことを学び、不確実性の校正を改善している。 さらに,自信ある予測に基づいて,エージェントがナビゲーション結果を評価することができる自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-07T02:24:44Z)

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。