論文の概要: Learning to Complement Humans

• arxiv url: http://arxiv.org/abs/2005.00582v1
• Date: Fri, 1 May 2020 20:00:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 23:10:45.302006
• Title: Learning to Complement Humans
• Title（参考訳）: 人間を補完する学習
• Authors: Bryan Wilder, Eric Horvitz, Ece Kamar
• Abstract要約: オープンワールドにおけるAIに対するビジョンの高まりは、知覚、診断、推論タスクのために人間を補完できるシステムの開発に焦点を当てている。 我々は,人間-機械チームの複合的なパフォーマンスを最適化するために,エンド・ツー・エンドの学習戦略をどのように活用できるかを実証する。
• 参考スコア（独自算出の注目度）: 67.38348247794949
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A rising vision for AI in the open world centers on the development of systems that can complement humans for perceptual, diagnostic, and reasoning tasks. To date, systems aimed at complementing the skills of people have employed models trained to be as accurate as possible in isolation. We demonstrate how an end-to-end learning strategy can be harnessed to optimize the combined performance of human-machine teams by considering the distinct abilities of people and machines. The goal is to focus machine learning on problem instances that are difficult for humans, while recognizing instances that are difficult for the machine and seeking human input on them. We demonstrate in two real-world domains (scientific discovery and medical diagnosis) that human-machine teams built via these methods outperform the individual performance of machines and people. We then analyze conditions under which this complementarity is strongest, and which training methods amplify it. Taken together, our work provides the first systematic investigation of how machine learning systems can be trained to complement human reasoning.
• Abstract（参考訳）: オープンワールドにおけるAIに対するビジョンの高まりは、知覚、診断、推論タスクのために人間を補完できるシステムの開発に焦点を当てている。 これまで、人々のスキルを補完することを目的としたシステムは、可能な限り正確に訓練されたモデルを採用してきた。 人や機械の異なる能力を考慮することで、エンド・ツー・エンドの学習戦略を用いて、人間と機械の複合的なパフォーマンスを最適化する方法を実証する。 目標は、機械にとって難しいインスタンスを認識し、人間の入力を求める一方で、人間にとって難しい問題インスタンスに機械学習を集中させることだ。 2つの現実世界の領域(科学的発見と医療診断)において、これらの方法で構築された人間と機械のチームが、機械と人間の個々のパフォーマンスを上回っていることを実証する。 そして、この相補性が最も強い条件を分析し、どの訓練方法がそれを増幅するか分析する。 私たちの研究は、人間の推論を補完するために機械学習システムをいかに訓練するかに関する、最初の体系的な研究を提供する。

関連論文リスト

• CREW: Facilitating Human-AI Teaming Research [3.7324091969140776]
  我々は,リアルタイム意思決定シナリオにおける人間-AIコラボレーション研究を支援するプラットフォームCREWを紹介する。 これには、認知研究のための事前構築されたタスクや、モジュール設計から拡張可能なポテンシャルを備えたヒューマンAIコラボレーションが含まれます。 CREWは、最先端のアルゴリズムとよく訓練されたベースラインを使用して、リアルタイムの人間誘導型強化学習エージェントをベンチマークする。
  論文  参考訳（メタデータ） (2024-07-31T21:43:55Z)
• On the Emergence of Symmetrical Reality [51.21203247240322]
  物理仮想アマルガメーションの様々な形態を包含した統一表現を提供する対称現実感フレームワークを導入する。 我々は、対称現実の潜在的な応用を示すAI駆動型アクティブアシストサービスの例を提案する。
  論文  参考訳（メタデータ） (2024-01-26T16:09:39Z)
• Human in the AI loop via xAI and Active Learning for Visual Inspection [2.261815118231329]
  産業革命は生産に自動化を導入することで製造業をディスラプトした。 ロボット工学と人工知能の進歩は、人間と機械のコラボレーションの新たなフロンティアを開く。 本研究はまず,産業5.0,人間と機械のコラボレーション,品質検査に関する最先端技術について述べる。
  論文  参考訳（メタデータ） (2023-07-03T17:23:23Z)
• Stabilizing Contrastive RL: Techniques for Robotic Goal Reaching from Offline Data [101.43350024175157]
  自己指導型学習は、制御戦略を学ぶのに必要な人間のアノテーションとエンジニアリングの労力を減らす可能性がある。 我々の研究は、強化学習(RL)自体が自己監督的な問題であることを示す先行研究に基づいている。 コントラスト学習に基づく自己教師付きRLアルゴリズムは,実世界の画像に基づくロボット操作タスクを解くことができることを示す。
  論文  参考訳（メタデータ） (2023-06-06T01:36:56Z)
• Human and AI Perceptual Differences in Image Classification Errors [13.045020949359621]
  本研究はまず,2つの情報源からの誤りの統計的分布を分析し,課題難易度がこれらの分布に与える影響について検討する。 AIがトレーニングデータから優れたモデルを学び、全体的な精度で人間を上回ったとしても、これらのAIモデルは人間の知覚と有意で一貫した違いを持つ。
  論文  参考訳（メタデータ） (2023-04-18T05:09:07Z)
• Human Decision Makings on Curriculum Reinforcement Learning with Difficulty Adjustment [52.07473934146584]
  我々は,カリキュラム強化学習結果を,人的意思決定プロセスから学ぶことで,難しすぎず,難しすぎるような望ましいパフォーマンスレベルに導く。 本システムは非常に並列化可能であり,大規模強化学習アプリケーションの訓練が可能となる。 強化学習性能は、人間の所望の難易度と同期してうまく調整できることが示される。
  論文  参考訳（メタデータ） (2022-08-04T23:53:51Z)
• A data-driven approach for learning to control computers [8.131261634438912]
  本稿では,キーボードとマウスを用いたコンピュータ制御の設定について,自然言語による目標設定について検討する。 MiniWob++ベンチマークのすべてのタスクにおいて、最先端および人間レベルの平均パフォーマンスを実現しています。 これらの結果から,コンピュータを訓練する際の統合ヒューマンエージェントインタフェースの有用性が示された。
  論文  参考訳（メタデータ） (2022-02-16T15:23:46Z)
• Deep Interpretable Models of Theory of Mind For Human-Agent Teaming [0.7734726150561086]
  我々は、他の観測対象の意図をモデル化するための解釈可能なモジュラー・ニューラル・フレームワークを開発する。 Minecraftの検索および救助タスクで、人間の参加者のデータに関する実験を行い、アプローチの有効性を実証します。
  論文  参考訳（メタデータ） (2021-04-07T06:18:58Z)
• Cognitive architecture aided by working-memory for self-supervised multi-modal humans recognition [54.749127627191655]
  人間パートナーを認識する能力は、パーソナライズされた長期的な人間とロボットの相互作用を構築するための重要な社会的スキルです。 ディープラーニングネットワークは最先端の結果を達成し,そのような課題に対処するための適切なツールであることが実証された。 1つの解決策は、ロボットに自己スーパービジョンで直接の感覚データから学習させることである。
  論文  参考訳（メタデータ） (2021-03-16T13:50:24Z)
• The Ingredients of Real-World Robotic Reinforcement Learning [71.92831985295163]
  実世界で収集されたデータによって継続的に自律的に改善できるロボット学習システムに必要な要素について論じる。 本稿では,このようなシステムの特異なインスタンス化を事例として,デクスタラスな操作を事例として提案する。 我々は人間の介入なしに学習できることを実証し、現実世界の3本指の手で様々な視覚ベースのスキルを習得する。
  論文  参考訳（メタデータ） (2020-04-27T03:36:10Z)

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。