論文の概要: SafeAdapt-Poker: Counterfactual Risk Calibration for Budgeted Adaptation under Opponent Shift

• arxiv url: http://arxiv.org/abs/2610.20473v2
• Date: Fri, 16 Oct 2026 09:57:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.549025
• Title: SafeAdapt-Poker: Counterfactual Risk Calibration for Budgeted Adaptation under Opponent Shift
• Title（参考訳）: セーフ・アダプティブ・ポーカー:対向的シフトの下での予算的適応に対する対実的リスクキャリブレーション
• Abstract要約: SafeAdapt-は、二重対数シーケンシャル制御問題として、反対シフト下での予算付き適応を定式化する。 評価対象は、正確なゲーム利用と安全性、四つの反対シフト、ローカルリスク校正、遅延機会割り当て、直接機会価値推定、値エラー、因子機構属性、予算感度、抽象HUNLクロスプレイ、プレイヤー/タイムアウト公開履歴の振る舞いである。
• 参考スコア（独自算出の注目度）: 16.90805676639706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Opponent histories can mislead after behavioral shifts. SafeAdapt-Poker formulates budgeted adaptation under opponent shift as a dual-counterfactual sequential-control problem using only information available before each decision. At each decision the controller asks two distinct questions: what local downside a deviation from the frozen anchor would induce under matched legal continuations, and what future adaptation value would be lost by consuming part of the remaining deviation budget now. The first question is answered by a monotone strategic-risk model over deviation intensity; the second by a paired budget-state continuation model that prices current budget consumption. The controller selects among support-preserving candidate deviations by trading immediate adaptation value against these two quantities, a pathwise cumulative-KL ledger bounds total anchor-relative deviation, and a finite family of frozen controllers is screened on complete paired calibration sessions before held-out interaction. A finite-candidate perturbation bound shows that the allocation objective degrades continuously with continuation-value estimation error. Evaluation covers exact-game exploitation and safety, four opponent shifts, local-risk calibration, delayed-opportunity allocation, direct opportunity-value estimation, value-error robustness, factorial mechanism attribution, budget sensitivity, abstract-HUNL cross-play, and player/time-held-out public-history behavior. On exact Leduc the full controller attains a matched weak-pool gain of +0.0718 with a worst-opponent delta of -0.0126, raises delayed-opportunity capture from 0.6318 under myopic allocation to 0.7841 under the same session budget, and reaches +42.7 mbb/hand in abstract-HUNL cross-play; the retained public-history screen reports 0.5820 action accuracy and 0.9277 log loss versus 0.5039 and 0.9778 for a public prior.
• Abstract（参考訳）: 反対の履歴は行動シフトの後に誤解を招くことがある。 SafeAdapt-Pokerは、各決定の前に利用可能な情報のみを使用して、二重対数シーケンシャル制御問題として、反対シフトの下での予算付き適応を定式化する。 各決定において、コントローラは2つの異なる質問を行う: 凍結されたアンカーからの逸脱が、一致した法的継続の下でどのような局所的な下降を誘発するか、そして、現在残っている逸脱予算の一部を消費することによって、将来の適応価値が失われるか。 第1の質問は、偏差強度に対する単調な戦略リスクモデル、第2の質問は、現在の予算消費を価格に設定した2つの予算状態継続モデルによって答えられる。 制御器は、これらの2つの量に対して即時適応値を交換して支持保存候補偏差の中から選択し、パスワイズ累積−KL台帳は総アンカー相対偏差を境界とし、凍結制御器の有限族は、保持された相互作用の前に完全なペアキャリブレーションセッションでスクリーニングする。 有限候補摂動境界は、割り当て対象が継続値推定誤差とともに連続的に劣化することを示す。 評価は、正確なゲーム利用と安全性、4つの反対シフト、ローカルリスクの校正、遅延機会割り当て、直接機会価値推定、価値エラーのロバスト性、要因的メカニズムの属性、予算の感度、抽象的HUNLのクロスプレイ、プレイヤ/タイムアウトのパブリックヒストリーの振る舞いをカバーしている。 正確にはLeducのフルコントローラは、マイナスマイナス0.0718で、マイナス0.0126で一致した弱利得+0.0718を獲得し、同じセッション予算で0.6318から0.7841に、抽象HUNLのクロスプレイで+42.7 mbb/handに到達し、保持された公開歴史画面では0.5820のアクション精度と0.9277のログ損失を公の場で0.5039と0.9778に対して報告している。

関連論文リスト

• Triggering Generalist Reasoning via Predictive Uncertainty for Dual-System VLA [46.61827364066432]
  Vision-Language-Action(VLA)モデルは、遅い推論可能なジェネラリストと高速な専門家のアクションエキスパートをペアにすることで、リアルタイムのロボット制御を改善する。 既存の方法では、決定がロールアウト毎に異なるという事実を無視して、一定の頻度でジェネラリストを呼び出す。 本稿では,不必要な一般呼び出しを選択的にスキップする適応型推論フレームワークであるTUD(Triggering generalist reasoning via predictive Uncertainty for Dual-system VLA)を提案する。
  論文  参考訳（メタデータ） (2026-10-04T07:39:20Z)
• FSPO: Policy-Consistent Risk and Pareto-Feasible Control for Budgeted LLM RL Post-Training [22.731514214998185]
  予算付きLLM RLポストトレーニングのためのフィードバック状態制御系FSPOを紹介する。 ベルマンが将来の決定に使用するのと同じフリーズコントローラを目標とする、ポリシー一貫性のあるリスク・ツー・ゴーモデルを学ぶ。 3組の訓練種子は、保持およびOOD評価の文脈的包帯に対して+2.42と+3.19の利得を与える。
  論文  参考訳（メタデータ） (2026-10-02T05:19:54Z)
• NeuronSifter: Intervention Planning in CNS Microenvironments [3.8107412342726406]
  アクション条件付き予測器は、プライマリをアイデンティティトークンやスカラー露光に還元する。 ポイント推定を別のプランナーに渡すと、その測定値に価値のある共同不確実性は破棄される。 我々は、制御器配置ではなく、介入インターフェースの特性として、意思決定品質を扱います。
  論文  参考訳（メタデータ） (2026-09-28T15:41:54Z)
• Measuring Collapse and Correction in Homogeneous-Panel LLM Debate [51.03982042769297]
  マルチエージェント大言語モデル(LLM)の議論は、最終回答が改善するかどうかによってしばしば評価されるが、運動は必ずしも改善されない。 標準的な最終精度評価は、これらの反対のメカニズムを詳述する。 複数選択質問(MCQ)に関する同質な議論のための監査可能なプロトコルを導入し、各実行を、崩壊、修正、オンセット、署名された介入ユーティリティよりも、遷移台帳として記録する。
  論文  参考訳（メタデータ） (2026-09-28T14:31:19Z)
• 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)
• 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)
• Budgeted Act-or-Defer Multi-Agent LLM Deliberation with Local Reliability Bounds [8.682220907885714]
  これを予算化された行動または決定決定として定式化します。 システムは議論のプレフィックスを低次元の状態にマップする。 境界がユーザ指定の信頼性しきい値を超えた場合にのみ作用する。
  論文  参考訳（メタデータ） (2026-06-28T23:46:56Z)
• 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)
• Decision from Suboptimal Classifiers: Excess Risk Pre- and Post-Calibration [52.70324949884702]
  バッチ二分決定における近似的後続確率を用いた余剰リスクの定量化を行う。 我々は、再校正のみが後悔のほとんどに対処する体制と、後悔が集団的損失に支配される体制を識別する。 NLP実験では、これらの量によって、より高度なポストトレーニングの期待値が運用コストに値するかどうかが分かる。
  論文  参考訳（メタデータ） (2025-03-23T10:52:36Z)

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。