간격 순서, 이중 순서 및 신뢰도 제한된 믿음 수정

의사 결정 이론에서 간격 순서와 이중 순서를 연구하고, 신뢰도 제한된 믿음 수정을 위한 새로운 접근법을 제안합니다. 간격 순서와 이중 순서를 사용한 믿음 수정은 총순서보다 더 일반적인 클래스의 순서를 사용하여 수행됩니다. 이중 순서를 사용한 믿음 수정은 성공 포스트룰 만족하지만, 항상 일관된 출력을 제공하지는 않습니다. 신뢰도 제한된 믿음 수정을 위한 새로운 가족을 제안하고, 신뢰도 제한된 믿음 수정과 이중 순서를 연결합니다.

2026년 5월 1일 AI 자동 생성

#arXiv #AI 에이전트

간격 순서와 이중 순서

간격 순서와 이중 순서는 의사 결정 이론에서 연구된 두 가지 일반적인 클래스의 순서입니다. 간격 순서는 각 가능 세계에 대한 비정상적인 '간격'의 신뢰도를 연관시킵니다. 이중 순서는 간격 순서보다 더 일반적인 클래스의 순서로, 간격이 음의 길이를 가질 수 있습니다. 이중 순서는 불일치나 불안정성을 캡처할 수 있습니다.

신뢰도 제한된 믿음 수정

신뢰도 제한된 믿음 수정은 신뢰도 제한된 믿음 수정을 위한 새로운 가족을 제안합니다. 이 가족은 이중 순서를 사용하여 수행되며, 성공 포스트룰 만족하지만, 항상 일관된 출력을 제공하지는 않습니다. 신뢰도 제한된 믿음 수정을 위한 새로운 가족을 제안하고, 신뢰도 제한된 믿음 수정과 이중 순서를 연결합니다.

결론

간격 순서와 이중 순서를 사용한 믿음 수정은 총순서보다 더 일반적인 클래스의 순서를 사용하여 수행됩니다. 이중 순서를 사용한 믿음 수정은 성공 포스트룰 만족하지만, 항상 일관된 출력을 제공하지는 않습니다. 신뢰도 제한된 믿음 수정을 위한 새로운 가족을 제안하고, 신뢰도 제한된 믿음 수정과 이중 순서를 연결합니다.

참고 문헌

Fishburn, P. C. (1985). Interval orders and interval graphs. Journal of Mathematical Psychology, 29(4), 441-460.
Aleskerov, F. T., Bouyssou, D., & Monjardet, B. (1997). Utility independence and choice under uncertainty. Journal of Mathematical Psychology, 41(1), 1-21.
Hansson, S. O., & Olsson, E. J. (2007). Credibility-limited revision. Journal of Philosophical Logic, 36(6), 655-669.

원문 보기 arXiv AI

함께 읽으면 좋은 기사

LLM PC 1일 전

8GB 그래픽카드로 30B 코딩 LLM 돌리기: 45토큰/초 최적화 전 과정

RTX 2070 SUPER 8GB와 6코어 CPU만으로 30B급 코딩 모델을 초당 45토큰으로 구동한 실측 기록. MoE 부분 오프로드와 양자화 선택, 메모리 대역폭 병목 분석, Cline 연동 설정, 그리고 테트리스 생성으로 검증한 실제 코드 품질까지 정리했다.

LLM PC 8월 15일

LLM이 핵 공격을 추천하지 않으려면? 일본어로 물어보세요

대규모 언어 모델은 점점 더 전략적이고 자문적인 상황에서 사용되고 있지만, 그 안전성은 일반적으로 영어만으로 평가됩니다. 우리는 여섯 개의 제공업체에서 나온 9개의 모델을 테스트하고, 언어가 모델의 결정을 바꾸는지-high stakes 상황에서-확인하려고 합니다. 우리는 단일 턴 게임 이론적 시나리오에서 사용하며, 모델은 무방비 상대에게 핵무기를 사용할 것인지 여부를 일본의 국가에 자문합니다

LLM PC 8월 13일

Bayesian 모델 칼리브레이션을 위한 문헌 정보를 기반으로 한 전역 분포 설계

Bayesian 기반의 프로세스 기반 모델의 감리 작업을 위해서는 각 모델의 매개변수에 대한 사전 분포가 필요하다. 많은 연구자들은 이 작업을 수행하기 위해 유니폼 사전 분포를 사용한다. 하지만 유니폼 사전 분포를 사용하는 이유는 이 작업을 수행하기 위한 도메인 지식과 통계 지식이 필요하고, 이를 통해 유의미한 사전 분포를 구축하는 데 시간이 많이 걸린다는 것이다. 우리는 Distribird

LLM PC 8월 10일

세계 모델에서 중요한 것에 집중하는 TaskSense

대규모 언어 모델(LLM)을 통해 학습된 시각적 제어 모델은 일반적으로 compact한 잠재 상태를 학습하기 위해 관찰치를 재구성하는 것을 통해 정보를 전체 시각적 입력에 걸쳐 보존하도록 암묵적으로 장려합니다. 그러나 과제 관련 내용은 관찰치의 작은 부분만을 차지하며 배경 잡음 및 가리키는 요소는 유용한 표현적 능력을 소모합니다. 시각 재구성과 제어 목표 사이의 불일치로 인해 잠재 표현은 과

LLM PC 8월 10일

중간 층의 주의 집중 예측을 통해 시각 토큰 압축

대규모 멀티모달 언어 모델(Multimodal Large Language Model, MLLM)의 효율성을 향상시키기 위해 시각 토큰 압축을 사용하는 방법을 제안합니다. 이 방법은 중간 언어 모델 층의 주의 집중을 예측하여 시각 토큰의 중요도를 평가합니다. 이 방법은 existing inference acceleration techniques와 호환되며, 10개의 benchmark에서 97.5%의 unpruned model 성능을 유지하며, 5.56%의 시각 토큰만 사용하여 3.09배의 end-to-end speedup을 달성합니다.

LLM PC 8월 7일

Ignition 지수: 언어 모델의 글로벌 워크스페이스 동적 측정

Ignition Index를 제시합니다. 이는 전이 모델 언어 모델에서 Global Workspace Theory의 (GWT) 모든-아니면-점화 예측을 operationalize하는 유효한 스칼라 지표입니다. 이 지표는 입력 신호 강도의 함수로 per-layer 선형 프로브 정확도를 4-매개 변수 시그모이드에 적합시켜, 기울기 매개변수 beta-hat을 추출합니다: 높은 값은 급격한, 점화와