論文の概要: Random Exploration is Random
- arxiv url: http://arxiv.org/abs/2611.17011v1
- Date: Thu, 12 Nov 2026 16:07:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.542535
- Title: Random Exploration is Random
- Title(参考訳): ランダム探索はランダムです
- Abstract要約: 決定は、よく知られた選択肢の活用と不確実な選択肢の探索のバランスを必要とすることが多い。
探索の1つの戦略はランダムな探索であり、選択はより可変になり、現在最もよく見える選択肢に結び付けられない。
従来の認知モデルでは捉えられていない決定論的構造を反映しているかを検討した。
- 参考スコア(独自算出の注目度): 0.14053129774629072
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Decision making often requires balancing exploitation of familiar options with exploration of uncertain alternatives. One strategy for exploration is random exploration, in which choices become more variable and less tied to the option that currently appears best. However, it remains unclear whether this variability reflects genuine stochasticity or instead a deterministic structure that traditional cognitive models fail to capture. We examined this question using the Horizon Task in an aggregated dataset of 1,392 participants completing over 1,270,695 trials. In this task, exploration becomes more valuable when participants have more future choices, and choice variability increases under longer horizons. We tested whether more expressive neural network models could recover deterministic structure from this additional variability. Although neural networks provided better overall fits to behavior than the traditional model, long-horizon choices remained consistently less predictable than short-horizon choices. These findings show that limited model expressiveness cannot fully account for the increased variability associated with random exploration, suggesting random exploration truly is substantially random.
- Abstract(参考訳): 決定は、よく知られた選択肢の活用と不確実な選択肢の探索のバランスを必要とすることが多い。
探索の1つの戦略はランダムな探索であり、選択はより可変になり、現在最もよく見える選択肢に結び付けられない。
しかし、この変動性が真の確率性を反映しているのか、それとも従来の認知モデルでは捉えられない決定論的構造なのかは不明だ。
我々は,1270,695回以上の試験を完了した1,392名の集計データセットにおいて,Horizon Taskを用いてこの問題を検討した。
このタスクでは、参加者が将来的な選択をする場合、探索はより価値が高くなり、選択肢の多様性はより長い地平の下で増加する。
我々は、より表現力のあるニューラルネットワークモデルが、この追加変数から決定論的構造を回復できるかどうかを検証した。
ニューラルネットワークは従来のモデルよりも振舞いによくフィットするが、長軸選択は短軸選択よりも一貫して予測しにくいままであった。
これらの結果から, ランダム探索に伴う変動の増大は, 限定モデル表現性が完全には説明できないことが示唆された。
関連論文リスト
- All Roads Lead to Rome: Flow-driven Multi-Anchor Exploration for Open-Environment Active 3D Mapping [54.90158288791037]
Open-Environment Active 3D Mappingは、見えないシナリオを再構築するために、長い水平かつ最も短い軌道探索を行うことを目的としている。
本研究では,フローマッチングを用いた条件付きマルチモーダルアンカー生成として,長距離目標予測を再構成する。
オープン環境における一般化と再構築の効率化を図る。
論文 参考訳(メタデータ) (2026-09-29T07:20:32Z) - Consistency of Selection Strategies for Fraud Detection [0.0]
我々は、保険業者が詐欺を捜査する主張をどう選ぶかを研究する。
これは一貫性のない学習につながる可能性があり、ランダムな代替案を提案する。
論文 参考訳(メタデータ) (2025-09-23T07:33:33Z) - Identifiable Latent Bandits: Leveraging observational data for personalized decision-making [10.28111927148199]
本稿では,古典的盗賊よりも短い探索時間で最適な意思決定につながる,識別可能な潜伏盗賊の枠組みを提案する。
本手法は,新しいバンドイットインスタンスの最適動作を推測するのに十分な観測データから表現を確実に同定する非線形独立成分分析に基づく。
論文 参考訳(メタデータ) (2024-07-23T07:26:38Z) - Anytime Model Selection in Linear Bandits [61.97047189786905]
ALEXPは,その後悔に対するM$への依存を指数関数的に改善した。
提案手法は,オンライン学習と高次元統計学の新たな関連性を確立するために,ラッソの時間的一様解析を利用する。
論文 参考訳(メタデータ) (2023-07-24T15:44:30Z) - ZigZag: Universal Sampling-free Uncertainty Estimation Through Two-Step Inference [54.17205151960878]
汎用的でデプロイが容易なサンプリング不要のアプローチを導入します。
我々は,最先端手法と同等の信頼性のある不確実性推定を,計算コストを著しく低減した形で生成する。
論文 参考訳(メタデータ) (2022-11-21T13:23:09Z) - A suite of diagnostic metrics for characterizing selection schemes [45.74830585715129]
DOSSIERは、8つの手作りメトリクスからなる診断スイートである。
これらのメトリクスは、エクスプロイト、探索、およびそれらの相互作用のために、実験的に特定の能力を測定するように設計されている。
DOSSIERを6つの一般的な選択スキームに適用する: トランケーション、トーナメント、フィットネス共有、レキシケース、非支配的なソート、ノベルティ検索。
論文 参考訳(メタデータ) (2022-04-29T01:05:51Z) - Dense Uncertainty Estimation via an Ensemble-based Conditional Latent
Variable Model [68.34559610536614]
我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。
そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。
以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
論文 参考訳(メタデータ) (2021-11-22T08:54:10Z) - Sparsistent Model Discovery [0.0]
我々は、Lassoベースのモデル発見アルゴリズムの性能の貧弱さを、その潜在的な変数選択の不整合にまで遡る。
本稿では、安定性の選択と安定性の誤り制御を備えたディープラーニングモデル発見フレームワークに統合することを提案する。
論文 参考訳(メタデータ) (2021-06-22T17:19:36Z)
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。