論文の概要: Approximate Universal Prediction under Interaction

• arxiv url: http://arxiv.org/abs/2610.33842v1
• Date: Sat, 24 Oct 2026 18:32:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.458819
• Title: Approximate Universal Prediction under Interaction
• Title（参考訳）: 相互作用下における近似的普遍予測
• Abstract要約: 我々は、どの近似がフィードバックの生存を保証するかを調査する。 正規化有限-水平因果混合の場合、遷移係数係数は政策確率比となる。 遅延決定と条件付きKL予算を回避不可能な逆履歴確率ペナルティで保護するためのマージンを導出する。
• 参考スコア（独自算出の注目度）: 0.3437656066916039
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian mixtures, and Solomonoff induction in particular, provide an idealized model of prediction learned by minimizing population log loss, and they underlie universal agents such as AIXI. An agent that plans with an approximation of such a predictor decides where that predictor is evaluated, and a planner can be drawn toward branches on which its model is optimistic. We study which approximation guarantees survive this feedback. For normalized finite-horizon causal mixtures, the transfer coefficient factors into a policy likelihood ratio and task evidence available before each prediction, so task rarity and action-branch rarity can compound. Within one fixed universal mixture, infinitely many computable environments admit excess prediction error of order $κη\,2^{K(μ)}$, where $η$ is the training KL budget and $κ$ measures policy coverage. This order is sharp, and for each target a computable predictor attains it at a suitable finite horizon, so computability alone does not remove the penalty. For bounded returns, value error is controlled by the probability of entering a poorly covered branch plus a square-root term in $η$. Both terms are necessary, and finite maximum coverage ratios are not required. Motivated by the mentor override of Golden Handcuffs, we derive margins for preserving deferral decisions and conditional KL budgets with an unavoidable inverse-history-probability penalty, and a counterexample separates agreement of deferral decisions from task-wise event avoidance. The guarantees apply to any predictor architecture that meets explicit population approximation and coverage conditions, which gives concrete targets for implementing idealized universal agents.
• Abstract（参考訳）: ベイズ混合、特にソロモノフ誘導は、人口ログの損失を最小限に抑えて学習した予測の理想的なモデルを提供し、AIXIのような普遍的なエージェントを弱めている。 このような予測器を近似して計画するエージェントは、その予測器をどこで評価するかを決定し、そのモデルが楽観的なブランチに向けてプランナーを描画することができる。 このフィードバックはどの近似を保証するか研究する。 正規化有限-水平因果混合の場合、各予測の前に得られる政策可能性比とタスク証拠への伝達係数係数を合成することができる。 1つの固定された普遍混合の中で、無限に多くの計算可能な環境はオーダー$κη\,2^{K(μ)}$の過剰な予測誤差を許容する。 この順序は鋭く、各対象に対して計算可能な予測器が適切な有限地平線でそれを達成するため、計算可能性だけではペナルティを除去しない。 有界リターンの場合、値誤差は弱被覆分岐と$η$の平方根項に入る確率によって制御される。 どちらの条件も必要であり、最大被覆比は必要ではない。 ゴールデン・ハンドカフのメンターに動機づけられた我々は、不可避の逆履歴確率のペナルティで、デリル決定と条件付きKL予算を保存するためのマージンを導き、逆例は、デリル決定の合意をタスクワイドのイベント回避から切り離す。 この保証は、明示的な人口近似とカバレッジ条件を満たす任意の予測アーキテクチャに適用され、理想化された普遍エージェントを実装するための具体的な目標を与える。

関連論文リスト

• MoP-JEPA: Hard-Assigned Predictor Mixtures for Stochastic JEPA World Models [14.76812870029721]
  MoP-JEPAは、有限個の候補セットを1つのパスで生成する。 ホールドアウトのOGBenchトランジションでは、単一出力予測器によるグラフ検索が0.02$--0.09$のクエリで成功し、MoP-JEPAは0.85$に達した。
  論文  参考訳（メタデータ） (2026-07-06T15:47:37Z)
• Cross-World Assumption and Refining Prediction Intervals for Individual Treatment Effects [6.083038976289835]
  高い意思決定のためには、個々の治療効果の推定には有効な予測間隔が伴わなければならない。 高い意思決定のためには、個々の治療効果の推定には有効な予測間隔が伴わなければならない。
  論文  参考訳（メタデータ） (2025-07-16T18:58:18Z)
• Epistemic Uncertainty in Conformal Scores: A Unified Approach [2.449909275410288]
  等角予測法は、分布のない保証を持つ予測帯域を生成するが、不確実性を明示的に捉えることはできない。 モデルに依存しないアプローチである $texttEPICSCORE$ を導入する。 $texttEPICSCORE$は、限られたデータを持つ領域の予測間隔を適応的に拡張し、データが豊富であるコンパクト間隔を維持します。
  論文  参考訳（メタデータ） (2025-02-10T19:42:54Z)
• Bin-Conditional Conformal Prediction of Fatalities from Armed Conflict [0.5312303275762104]
  ユーザ定義サブセット間の一貫したカバレッジ率を確保することにより、標準コンフォメーション予測を強化するビン条件コンフォメーション予測(BCCP)を導入する。 標準共形予測と比較すると、BCCPは局所的カバレッジを改善するが、これはわずかに広い予測間隔のコストがかかる。
  論文  参考訳（メタデータ） (2024-10-18T14:41:42Z)
• 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)
• Will My Robot Achieve My Goals? Predicting the Probability that an MDP Policy Reaches a User-Specified Behavior Target [56.99669411766284]
  自律的なシステムがタスクを実行する場合、ユーザの目標を達成する確率のキャリブレーションされた見積もりを維持する必要がある。 本稿では,ユーザの目標が目標間隔として指定される設定について検討する。 我々は、共形予測を反転させて確率推定を計算する。
  論文  参考訳（メタデータ） (2022-11-29T18:41:20Z)
• Probable Domain Generalization via Quantile Risk Minimization [90.15831047587302]
  ドメインの一般化は、目に見えないテスト分布でうまく機能する予測子を求める。 我々はDGのための新しい確率的フレームワークを提案し、高い確率でよく動作する予測器を学習することを目指している。
  論文  参考訳（メタデータ） (2022-07-20T14:41:09Z)
• Universal Off-Policy Evaluation [64.02853483874334]
  ユニバーサルオフ政治推定器(UnO)への第一歩を踏み出す 我々は, 平均, 分散, 分位数/中間数, 分位数範囲, cvar, および累積分布全体の推定と同時結合に uno を用いる。
  論文  参考訳（メタデータ） (2021-04-26T18:54:31Z)

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。

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。