論文の概要: AlphaBet: Reinforcement Learning for LLM Event Forecasting Agents

• arxiv url: http://arxiv.org/abs/2610.22684v1
• Date: Thu, 15 Oct 2026 21:54:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.682389
• Title: AlphaBet: Reinforcement Learning for LLM Event Forecasting Agents
• Title（参考訳）: AlphaBet: LLMイベント予測エージェントの強化学習
• Abstract要約: AlphaBetは、1つのLarge Language Model(LLM)ポリシーをトレーニングし、複数の事前解決日をまたいで確率を検索、推論、レポートするフレームワークである。 各日時予測は、最終的な結果に対する適切なスコアリングルールによってスコアされ、1つの解決されたイベントが異なる情報状態の下で決定を監督することを可能にする。 実験の結果,GRPOの正規化は固有スコアル性能を低下させるが,最上位の出力精度はほとんど変化しないことがわかった。
• 参考スコア（独自算出の注目度）: 23.525762009968066
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Forecasting an unresolved event requires finding relevant evidence and deciding how strongly it supports each outcome. Yet outcome-based training of Large Language Model (LLM) forecasters often begins with preassembled evidence at a single prediction date, leaving evidence acquisition outside the learning loop. We introduce AlphaBet, an agentic reinforcement learning (RL) framework that trains a single LLM policy to search, reason, and report probabilities across multiple pre-resolution dates. Each dated forecast is scored by a proper scoring rule against the eventual outcome, allowing one resolved event to supervise decisions under different information states. We decompose forecasting regret into an evidence-acquisition gap and a probability-reporting gap, and show that Group Relative Policy Optimization (GRPO)'s standard-deviation normalization can distort the reporting target under multi-class proper scores. On GLM-4.5-Air, AlphaBet reduces the Brier score from 0.731 to 0.626 on Forecast-Dojo and from 0.612 to 0.528 on FutureX. Controlled ablations attribute these gains to multi-date training and show that they come from improvements in both information acquisition and probability reporting. Our empirical results validate that GRPO's std normalization degrades proper-scoring-rule performance while leaving top-outcome accuracy largely unchanged.
• Abstract（参考訳）: 未解決のイベントを予測するには、関連する証拠を見つけ、それがそれぞれの結果をサポートするかを決定する必要がある。 しかし、結果に基づくLarge Language Model(LLM)予測のトレーニングは、1つの予測日に事前組み立てされたエビデンスから始まり、学習ループの外にエビデンスを取得する。 エージェント強化学習(RL)フレームワークであるAlphaBetを紹介する。 各日時予測は、最終的な結果に対する適切なスコアリングルールによってスコアされ、1つの解決されたイベントが異なる情報状態の下で決定を監督することを可能にする。 予測的後悔をエビデンス獲得ギャップと確率報告ギャップに分解し、グループ相対政策最適化(GRPO)の標準偏差正規化がマルチクラス固有スコアで報告対象を歪めることを示す。 GLM-4.5-Airでは、AlphaBet は Brier スコアを Forecast-Dojo で 0.731 から 0.626 に、FutureX で 0.612 から 0.528 に下げる。 制御された改善は、これらの成果が複数日付のトレーニングによるもので、情報取得と確率報告の両方の改善によるものであることを示している。 実験の結果,GRPOのstd正規化は,上位結果の精度を大きく変更することなく,適切なスコアリングルル性能を低下させることがわかった。

関連論文リスト

• Performative Prediction with Selective Labels [7.685857844572122]
  我々は、選択的ラベルを用いて演奏予測を定式化し、観察データのみに基づいて再トレーニングを行うことで、再トレーニングの手順を誤ったものにすることができることを示す。 条件付きラベル分布に対する感度推定では, 従来受理されていたデータが時間とともにこれらの信頼区間を締め付けることができることを示す。
  論文  参考訳（メタデータ） (2026-10-06T12:45:43Z)
• Reinforcement Learning for LLM-based Event Forecasting [0.0]
  グループ相対政策最適化 (GRPO) は近年, サンプルとメモリ効率のよい強化学習法を考案した。 我々は、現在の情報を取得する能力を備えた1.5Bから14Bパラメータの範囲で、事前学習したLLMを微調整する。 1.5Bパラメータ変換器(Qwen 2.5 1.5B)を、同じデータセット上でClaude Sonnet 3.5よりも優れたパフォーマンスを予測できる。
  論文  参考訳（メタデータ） (2026-06-14T16:46:11Z)
• When Individually Calibrated Models Become Collectively Miscalibrated [3.556355987197792]
  本研究では,個別に調整した予測器が戦略的に相互作用した場合に集団的に誤判定されることを示す。 正の相関関係を持つブライアスコアに基づくアグリゲーションでは、各エージェントの個別に最適なレポートは、正のクラス確率を体系的に過小評価する。 対照的に、VCGベースのアグリゲーションは、限界貢献に報いることでインセンティブを調整し、支配的な戦略的なインセンティブ互換性とほぼ最適のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-14T05:25:16Z)
• Forecasting Supply Chain Disruptions with Foresight Learning [0.0]
  実効的な破壊結果を監督として利用して,LCMを校正した確率予測を生成するためのエンドツーエンドフレームワークを導入する。 結果として得られるモデルは、精度、校正、精度において、強いベースラインを大幅に上回る。 その結果,決定可能な信号を生成する領域固有の予測モデルをトレーニングするための一般的な経路が示唆された。
  論文  参考訳（メタデータ） (2026-04-01T18:04:34Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• d-TreeRPO: Towards More Reliable Policy Optimization for Diffusion Language Models [45.27333046908981]
  emphd-TreeRPOは、dLLMのための信頼できる強化学習フレームワークである。 我々は,emphd-TreeRPOが複数の推論ベンチマークで大きく向上していることを示す。
  論文  参考訳（メタデータ） (2025-12-10T14:20:07Z)
• Generalized Correctness Models: Learning Calibrated and Model-Agnostic Correctness Predictors from Historical Patterns [67.24756301536617]
  本稿では,正確で校正された信頼度を推定する一般化精度モデル(GCM)を提案する。 まず,多くのLCMの正当性データに基づいてGCMをトレーニングできることを示す。 次に,CMをレンズとして,補正予測能力の源泉とその一般化について検討する。
  論文  参考訳（メタデータ） (2025-09-29T16:19:01Z)
• Uncertainty is Fragile: Manipulating Uncertainty in Large Language Models [79.76293901420146]
  大規模言語モデル(LLM)は、出力の信頼性が不可欠である様々な高い領域で採用されている。 本研究では,不確実性推定の脆弱性を調査し,攻撃の可能性を探る。 攻撃者がLSMにバックドアを埋め込むことができ、入力中の特定のトリガーによって起動されると、最終的な出力に影響を与えることなくモデルの不確実性を操作できることを示す。
  論文  参考訳（メタデータ） (2024-07-15T23:41:11Z)
• Uncertainty Aware Learning for Language Model Alignment [97.36361196793929]
  異なるタスクシナリオのモデルアライメントを改善するために,不確実性認識学習(UAL)を提案する。 トレーニングのラベルの平滑化値を個々のサンプルの不確実性に応じて適応的に設定する。 広く使われているベンチマーク実験では、我々のUALは標準教師あり微調整よりも著しく優れています。
  論文  参考訳（メタデータ） (2024-06-07T11:37:45Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)

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。