論文の概要: Optimal to-do list gamification

• arxiv url: http://arxiv.org/abs/2008.05228v2
• Date: Tue, 3 Aug 2021 20:44:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 04:53:53.449514
• Title: Optimal to-do list gamification
• Title（参考訳）: 最適to-doリストゲーミフィケーション
• Authors: Jugoslav Stojcheski, Valkyrie Felso, Falk Lieder
• Abstract要約: 本稿では,長期的にどのタスクが最も重要かを特定し,その長期的価値に応じて各タスクにインセンティブを与えるスケーラブルな手法を紹介し,評価する。 提案手法により,現実世界のTo-Doリストのサイズや複雑さを処理できるTo-Doリストガミフィケーションアプリを作成することができる。
• 参考スコア（独自算出の注目度）: 4.8986598953553555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: What should I work on first? What can wait until later? Which projects should I prioritize and which tasks are not worth my time? These are challenging questions that many people face every day. People's intuitive strategy is to prioritize their immediate experience over the long-term consequences. This leads to procrastination and the neglect of important long-term projects in favor of seemingly urgent tasks that are less important. Optimal gamification strives to help people overcome these problems by incentivizing each task by a number of points that communicates how valuable it is in the long-run. Unfortunately, computing the optimal number of points with standard dynamic programming methods quickly becomes intractable as the number of a person's projects and the number of tasks required by each project increase. Here, we introduce and evaluate a scalable method for identifying which tasks are most important in the long run and incentivizing each task according to its long-term value. Our method makes it possible to create to-do list gamification apps that can handle the size and complexity of people's to-do lists in the real world.
• Abstract（参考訳）: 最初に何に取り組むべきか。 後で何を待つの? どのプロジェクトを優先すべきか、どのタスクに時間を割く価値がないのか? これらは多くの人々が毎日直面している難しい質問です。 人々の直感的な戦略は、長期的な結果よりも直接の経験を優先することです。 これは、重要でないと思われる緊急タスクに有利な、重要な長期プロジェクトに対する民主化と無視に繋がる。 最適なゲーミフィケーションは、人々がこれらの問題を解決するのに役立つために、長い目で見ればどんなに価値があるかを伝えるポイントによって、各タスクにインセンティブを与えます。 残念なことに、標準的な動的プログラミング手法で最適なポイント数を計算することは、人のプロジェクト数と各プロジェクトに必要なタスク数が増えるとすぐに難しくなる。 本稿では,長期的にどのタスクが最も重要かを特定し,その長期的価値に応じて各タスクにインセンティブを与えるスケーラブルな手法を紹介し,評価する。 本手法により,実世界のto-doリストのサイズと複雑さを処理可能なto-doリストゲーム化アプリを作成することができる。

関連論文リスト

• Adaptive Manipulation using Behavior Trees [12.061325774210392]
  本稿では,タスク実行中の視覚的・非視覚的観察にロボットが迅速に適応できる適応行動木を提案する。 産業環境でよく見られる多くのタスクに対して、我々のアプローチを検証します。
  論文  参考訳（メタデータ） (2024-06-20T18:01:36Z)
• Can Foundation Models Watch, Talk and Guide You Step by Step to Make a Cake? [62.59699229202307]
  AIの進歩にもかかわらず、インタラクティブなタスクガイダンスシステムの開発は依然として大きな課題である。 我々は、人間のユーザと人間のインストラクターとの自然なインタラクションに基づいて、新しいマルチモーダルベンチマークデータセット、ウォッチ、トーク、ガイド(WTaG)を作成しました。 いくつかの基礎モデルを活用して、これらのモデルが認識可能なタスクガイダンスに迅速に適応できるかを調査した。
  論文  参考訳（メタデータ） (2023-11-01T15:13:49Z)
• Object-Centric Multi-Task Learning for Human Instances [8.035105819936808]
  オブジェクト中心学習によって複数のタスクのパラメータを最大に共有する,コンパクトなマルチタスクネットワークアーキテクチャについて検討する。 我々は、人中心クエリ(HCQ)と呼ばれる、人間のインスタンス情報を効果的に符号化する新しいクエリ設計を提案する。 実験結果から,提案したマルチタスクネットワークは,最先端タスク固有モデルに匹敵する精度を実現することがわかった。
  論文  参考訳（メタデータ） (2023-03-13T01:10:50Z)
• Reinforcement Learning with Success Induced Task Prioritization [68.8204255655161]
  本稿では,自動カリキュラム学習のためのフレームワークであるSuccess induced Task Prioritization (SITP)を紹介する。 アルゴリズムはエージェントに最速の学習を提供するタスクの順序を選択する。 我々は,SITPが他のカリキュラム設計手法と一致するか,あるいは上回っていることを実証する。
  論文  参考訳（メタデータ） (2022-12-30T12:32:43Z)
• Task Compass: Scaling Multi-task Pre-training with Task Prefix [122.49242976184617]
  既存の研究では、大規模教師付きタスクによるマルチタスク学習がタスク間の負の効果に悩まされていることが示されている。 タスク間の関係を探索するために,タスクプレフィックスガイド付きマルチタスク事前学習フレームワークを提案する。 我々のモデルは、幅広いタスクの強力な基盤バックボーンとして機能するだけでなく、タスク関係を分析するための探索ツールとしても実現可能である。
  論文  参考訳（メタデータ） (2022-10-12T15:02:04Z)
• Optimal To-Do List Gamification for Long Term Planning [0.6882042556551609]
  Webやアプリサービスにメソッドを簡単にデプロイできるAPIをリリースしています。 我々は、最適なゲーミフィケーション手法の以前のバージョンを拡張し、すべての処理に十分な時間がない場合に、どのタスクをすべきで、実行すべきでないかを判断するためのサービスを追加します。 本研究では,様々なケーススタディにおいて,値イテレーションを用いて正確に計算したポイントと戦略の性能を比較して,インセンティブ付きTO-DOリストの精度を検証した。 その機能を実証するため、私たちはWebやアプリサービスにメソッドを簡単にデプロイできるAPIをリリースしました。
  論文  参考訳（メタデータ） (2021-09-14T08:06:01Z)
• Efficiently Identifying Task Groupings for Multi-Task Learning [55.80489920205404]
  マルチタスク学習は、あるタスクによって学習された情報を活用して、他のタスクのトレーニングに役立てることができる。 マルチタスク学習モデルにおいて、どのタスクを一緒にトレーニングすべきかを選択するアプローチを提案する。 本手法は,全タスクを協調学習し,タスクの勾配が他のタスクの損失に影響を及ぼす影響を定量化する。
  論文  参考訳（メタデータ） (2021-09-10T02:01:43Z)
• Automatic Curriculum Learning through Value Disagreement [95.19299356298876]
  新しい未解決タスクを継続的に解決することが、多様な行動を学ぶための鍵です。 エージェントが複数の目標を達成する必要があるマルチタスク領域では、トレーニング目標の選択はサンプル効率に大きな影響を与える可能性がある。 そこで我々は,エージェントが解決すべき目標のための自動カリキュラムを作成することを提案する。 提案手法は,13のマルチゴールロボットタスクと5つのナビゲーションタスクにまたがって評価し,現在の最先端手法よりも高い性能を示す。
  論文  参考訳（メタデータ） (2020-06-17T03:58:25Z)
• Hierarchical Reinforcement Learning as a Model of Human Task Interleaving [60.95424607008241]
  我々は、強化学習によって駆動される監督制御の階層モデルを開発する。 このモデルは、タスクインターリービングの既知の経験的効果を再現する。 その結果、階層的RLがタスクインターリービングのもっともらしいモデルとして支持された。
  論文  参考訳（メタデータ） (2020-01-04T17:53:28Z)

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。