論文の概要: Dual-Axis Policy Entailment: A Benchmark for Policy-Change Reasoning

• arxiv url: http://arxiv.org/abs/2611.00536v1
• Date: Sat, 31 Oct 2026 01:48:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.413519
• Title: Dual-Axis Policy Entailment: A Benchmark for Policy-Change Reasoning
• Title（参考訳）: デュアル・アクシシズ・ポリシー・エンターテイメント:政策転換の基準
• Abstract要約: Dual-Axis Policy Entailment (DAPE) 2軸設計は、いずれかの次元の誤りを一般的な「無関係」ラベルに混同することなく、ポリシー変更の2つの中心的な次元をキャプチャする。 我々は、中国政府の政策の大規模なコーパスから引き出された1000の命令ペアについて、専門家が注釈を付したベンチマークを導入する。
• 参考スコア（独自算出の注目度）: 1.3906049422755482
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Whether a policy shifts domains and, by extension, continues, broadens, narrows, or reverses previous policy is of paramount importance to the study of public policy. We propose Dual-Axis Policy Entailment (DAPE), which evaluates an ordered pair of policy directives on both dimensions at once: a binary judgment determines whether the two directives govern the same policy domain, and a five-way judgment determines whether the later directive continues, broadens, narrows, or reverses the earlier policy, or governs a different domain altogether. Read together, the two judgments form one five-category label, our primary metric. The two-axis design captures two central dimensions of policy change without conflating errors on either dimension into a generic "irrelevant" label, and it makes annotation more rigorous: a coder cannot dismiss a difficult pair as domain-irrelevant without an explicit, checkable decision. We introduce an expert-annotated benchmark of 1,000 ordered directive pairs drawn from a large corpus of Chinese government policy, together with an annotation-calibration protocol (an adjudication packet with pre/post agreement measurement) that we contribute as a methodological artifact. Fourteen open-weight models and four frontier API flagships fail the task zero-shot: even the best frontier flagship's chance-corrected agreement with expert labels is far below the human ceiling (Cohen's $κ\approx 0.29$ vs. $0.53$). A fine-tuned open-weight model (LoRA SFT of Qwen3-14B, five-fold cross-validation) closes this gap, reaching the coder-mutual human ceiling ($κ= 0.524$ vs. $0.527$). Finally, we apply our method to China's AI policy (1980-2024) and map the direction of policy change across eras.
• Abstract（参考訳）: 政策がドメインをシフトし、拡張によって、以前の政策を拡大、縮小、あるいは逆転させるかどうかは、公共政策の研究にとって最重要事項である。 二項決定は、2つの指令が同一の政策ドメインを統治するかを判断し、5方向の判断は、後続の指令が以前の方針を継続、拡大、縮小、反転、あるいは完全に異なる領域を統治するかを決定する。 この2つの判断は、私たちの主要な指標である5つのカテゴリのラベルを1つ形成します。 2軸設計は、どちらの次元のエラーも一般的な「非関連」ラベルに混同することなく、ポリシー変更の2つの中心的な次元をキャプチャし、アノテーションをより厳密にする。 我々は,中国政府政策の大規模コーパスから引き出された1000の命令対を専門家が注釈付けしたベンチマークと,方法論的アーティファクトとして貢献する注釈校正プロトコル(事前/事後合意測定付き適応パケット)を紹介する。 14のオープンウェイトモデルと4つのフロンティアAPIフラッグシップは、タスクゼロショットに失敗する: 最高のフロンティアフラッグシップと専門家のラベルとの偶然修正された合意でさえ、人間の天井よりはるかに低い(Cohenのκ\approx 0.29$ vs.0.53$)。 微調整されたオープンウェイトモデル(Qwen3-14BのLoRA SFT、5倍のクロスバリデーション)がこのギャップを埋め、コーダ・ミューチュアル・ヒューマン・天井(κ=0.524$ vs.0.527$)に達する。 最後に,私たちの手法を中国のAI政策(1980-2024)に適用し,時代をまたいだ政策変革の方向性をマップする。

関連論文リスト

• Policy Loopholes in Agent Evaluation: When Policy Ambiguity Masquerades as Agent Error [2.0305676256390934]
  ベンチマーク開発者は、金のアノテーションを集める前にポリシーを監査する必要がある。 ドメイン間の比較によって、エクスプロイラビリティはポリシーの曖昧さとツールの許容性の両方を必要とすることが明らかになった。
  論文  参考訳（メタデータ） (2026-09-13T10:00:13Z)
• Primal-Dual Policy Optimization for Linear CMDPs with Adversarial Losses [0.8984888893275712]
  我々は、LogSumExpソフトマックスポリシーと呼ばれる新しいクラスのポリシーを導入し、実行します。 周期的ポリシーミキシングと正規化された二重更新という2つの新しいアルゴリズムコンポーネントは、被覆数と二重変数の両方を効果的に制御できる。
  論文  参考訳（メタデータ） (2026-05-12T05:02:02Z)
• Statistical Analysis of Policy Space Compression Problem [54.1754937830779]
  政策探索手法は強化学習において重要であり、継続的な状態反応と部分的に観察可能な問題に対処するための枠組みを提供する。 政策圧縮による政策空間の削減は、学習プロセスを加速するための強力で報酬のないアプローチとして現れます。 この手法は方針空間をより小さく代表的な集合に凝縮し、元の効果のほとんどを維持している。
  論文  参考訳（メタデータ） (2024-11-15T02:46:55Z)
• Policy Mirror Descent with Lookahead [0.46040036610482665]
  Policy Mirror Descent (PMD) はソフトポリシー 正規化された1段階の欲求政策改善を実装するアルゴリズム。 我々は,多段階の欲求政策改善を取り入れた新しいPMDアルゴリズムである$h$-PMDを提案する。 我々は, 次元自由な$gammah$-linearコンバージェンスレートを, 多段階グリーディポリシの計算により, $h$-PMDがより高速な次元自由な$gammah$-linearコンバージェンスレートを享受できることを示す。
  論文  参考訳（メタデータ） (2024-03-21T06:10:51Z)
• Theoretical guarantees on the best-of-n alignment policy [110.21094183592358]
  我々は、KLの最良のn$ポリシーと参照ポリシーのKL分岐が、実際のKL分岐の上限であることを示す。 そこで本研究では,KLの発散に対する新しい推定器を提案し,その近似が厳密であることを実証的に示す。 我々は、利益率とKLの最良のn$アライメントポリシーの相違点を分析することで締めくくった。
  論文  参考訳（メタデータ） (2024-01-03T18:39:13Z)
• Off-Policy Evaluation for Large Action Spaces via Policy Convolution [60.6953713877886]
  ポリシ・コンボリューション(Policy Convolution)のファミリーは、アクション内の潜在構造を使用して、ログとターゲットポリシを戦略的に畳み込みます。 合成およびベンチマークデータセットの実験では、PCを使用する場合の平均二乗誤差(MSE)が顕著に改善されている。
  論文  参考訳（メタデータ） (2023-10-24T01:00:01Z)
• Last-Iterate Convergent Policy Gradient Primal-Dual Methods for Constrained MDPs [107.28031292946774]
  無限水平割引マルコフ決定過程(拘束型MDP)の最適ポリシの計算問題について検討する。 我々は, 最適制約付きポリシーに反復的に対応し, 非漸近収束性を持つ2つの単一スケールポリシーに基づく原始双対アルゴリズムを開発した。 我々の知る限り、この研究は制約付きMDPにおける単一時間スケールアルゴリズムの非漸近的な最後の収束結果となる。
  論文  参考訳（メタデータ） (2023-06-20T17:27:31Z)

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。