Fugu-MT 論文翻訳(概要): Falsification-proof non-market allocation mechanisms

論文の概要: Falsification-proof non-market allocation mechanisms

arxiv url: http://arxiv.org/abs/2610.18625v2
Date: Tue, 20 Oct 2026 17:21:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-21 21:58:47.201643
Title: Falsification-proof non-market allocation mechanisms
Title（参考訳）: Falsification-proof non-market allocation mechanism
Abstract要約: 我々は、幅広いファルシフィケーション技術の下で、最適なファルシフィケーション保護ルールを特徴付ける。また、割当余剰とエージェントの福祉の重み付けを最大化するプランナーの制約のない問題を解決するための誠実な条件も提供する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Relying on manipulable characteristics to target the allocation of resources is fraught with difficulties. Naively optimal rules lead to falsification and allocative inefficiency. Optimizing the rule for allocative efficiency while accounting for falsification typically induces falsification, at a heavy cost to the agents. Moreover, falsification generates negative externalities. We characterize optimal falsification-proof rules under a broad range of falsification technologies. We also provide an honesty condition under which they solve the unconstrained problem of a planner who maximizes a weighted sum of allocative surplus and agents' welfare.
Abstract（参考訳）: 資源配分を目標とする操作可能な特性を考慮に入れることは困難に満ちている。過度に最適な規則は、ファルシフィケーションと割当的非効率をもたらす。ファルシフィケーションを考慮に入れながら、割当効率のルールを最適化することは、通常、エージェントに重いコストで、ファルシフィケーションを誘導する。さらに、ファルシフィケーションは負の外部性を生成する。我々は、幅広いファルシフィケーション技術の下で、最適なファルシフィケーション保護ルールを特徴付ける。また、割当余剰とエージェントの福祉の重み付けを最大化するプランナーの制約のない問題を解決するための誠実な条件も提供する。

関連論文リスト

Beyond Saying Less: Fine-Grained Alignment for Informative and Faithful Vision-Language Models [71.46915245859357]
物体幻覚は、大きな視覚言語モデルにとって依然として大きな課題である。本稿では,データレベルでの高密度報酬信号と,アルゴリズムレベルでの正確な信用割当を結合する微粒化アライメントフレームワークを提案する。本手法は, 識別評価において, 顕著な性能向上を図りながら, 生成タスクにおける高情報かつ忠実な記述を生成する。
論文参考訳（メタデータ） (2026-09-28T14:37:33Z)
Joint Optimization of Human Headcount and Stochastic AI Resource Capacity [0.0]
組織のリーダーシップは、人頭と生成AIトークンの能力に一定の予算を割らなければならない。標準的な決定論的計画では、トークン消費の厳密な変動性と、AI生成出力を監査する認知的コストの両方を無視している。個々のトークンのボラティリティの上昇は、ヘッダーを縮小しながら、一人当たりのトークンの強度を最適なものにすることを示す。
論文参考訳（メタデータ） (2026-08-01T22:34:02Z)
Semantic Pareto-DQN: A Multi-Objective Reinforcement Learning Framework for Financial Anomaly Detection [0.2864713389096699]
金融異常検出におけるクラス不均衡を克服する多目的強化学習フレームワークを提案する。提案手法は, 大規模言語モデルで符号化された, 不均一なトランザクション特徴を結合的な自然言語モデルに合成する。これは、スカラー化ベースラインよりも優れたマイノリティクラスリコールを実現し、金融異常発見のための取引境界操作摩擦の代替となる。
論文参考訳（メタデータ） (2026-07-10T17:39:00Z)
VerifyMAS: Hypothesis Verification for Failure Attribution in LLM Multi-Agent Systems [79.51005192758262]
大規模言語モデル駆動型マルチエージェントシステムは複雑なタスクで優れている。しかし、信頼性の低いエージェントは、システムレベルの信頼性にとって重要なボトルネックである。本稿では,エージェント故障の帰属に関する仮説検証フレームワークを提案する。
論文参考訳（メタデータ） (2026-05-17T14:09:35Z)
Reasoning Is Not Free: Robust Adaptive Cost-Efficient Routing for LLM-as-a-Judge [4.511996087821266]
Reasoning-capable large language model (LLM) は、最近自動判断器として採用されている。本研究では,明示的推論により,構造化された検証を必要とするタスクの判断精度が大幅に向上することを示す。本稿では、推論と非推論の判断を選択可能なロバスト適応コスト効率ルーティング(RACER)を提案する。
論文参考訳（メタデータ） (2026-05-11T16:30:20Z)
Conformal Thinking: Risk Control for Reasoning on a Compute Budget [60.65072883773352]
大規模言語モデル(LLM)の推論により、トークンの予算が増加するにつれて、データセットレベルの精度が向上する。我々は、予算設定問題をリスクコントロールとして再設定し、計算を最小化しながらエラー率を制限する。我々のフレームワークは、モデルが自信のあるときに推論を停止する上位しきい値と、未解決のインスタンスを事前に停止させる新しい下位しきい値を導入する。
論文参考訳（メタデータ） (2026-02-03T18:17:22Z)
Are Your Agents Upward Deceivers? [73.1073084327614]
大規模言語モデル(LLM)ベースのエージェントは、ユーザのためにタスクを実行する自律的な従属者として、ますます使われています。これは、人間の組織の個人がどのように上官に嘘をついて良いイメージを作り出したり、罰を免れるかのような、詐欺にも関与するかどうかという問題を提起する。本研究では,環境制約に直面するエージェントが障害を隠蔽し,報告なしに要求されない動作を行う現象であるエージェント上行錯誤を観察・定義する。
論文参考訳（メタデータ） (2025-12-04T14:47:05Z)
A General Incentives-Based Framework for Fairness in Multi-agent Resource Allocation [4.930376365020355]
GIFF(General Incentives-based Framework for Fairness)を紹介する。 GIFFは、標準値関数から公平な意思決定を推測する、公平なマルチエージェントリソース割り当てのための新しいアプローチである。
論文参考訳（メタデータ） (2025-10-30T17:37:51Z)
Regularized Proportional Fairness Mechanism for Resource Allocation Without Money [18.593061465167363]
我々は資源配分問題に合わせた革新的なニューラルネットワークアーキテクチャを設計し、それを正規化比例公正ネットワーク(RPF-Net)と呼ぶ。 RPF-Netは、最も悪用可能なアロケーションの学習関数近似器により、比例フェアネス(PF)機構の出力を正規化する。有限分布および外分布サンプル下での学習時の機構性能を保証する一般化境界を導出する。
論文参考訳（メタデータ） (2025-01-02T07:17:23Z)
Exterior Penalty Policy Optimization with Penalty Metric Network under Constraints [52.37099916582462]
制約強化学習(CRL:Constrained Reinforcement Learning)では、エージェントが制約を満たしながら最適なポリシーを学習するために環境を探索する。我々は,刑罰科目ネットワーク(PMN)が生み出す適応的な罰則を持つ,理論的に保証された刑罰関数法(Exterior Penalty Policy Optimization (EPO))を提案する。 PMNは様々な制約違反に適切に対応し、効率的な制約満足度と安全な探索を可能にする。
論文参考訳（メタデータ） (2024-07-22T10:57:32Z)
Robust Allocations with Diversity Constraints [65.3799850959513]
エージェント値の積を最大化するナッシュ福祉規則は,多様性の制約が導入されたとき,一意にロバストな位置にあることを示す。また, ナッシュ・ウェルズによる保証は, 広く研究されているアロケーション・ルールのクラスにおいて, ほぼ最適であることを示す。
論文参考訳（メタデータ） (2021-09-30T11:09:31Z)

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。