論文の概要: Dealing with Expert Bias in Collective Decision-Making
- arxiv url: http://arxiv.org/abs/2106.13539v1
- Date: Fri, 25 Jun 2021 10:17:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-28 13:18:20.410408
- Title: Dealing with Expert Bias in Collective Decision-Making
- Title(参考訳): 集団意思決定におけるエキスパートバイアスの対応
- Authors: Axel Abels, Tom Lenaerts, Vito Trianni, Ann Now\'e
- Abstract要約: 本稿では,コンテキスト型マルチアームバンディット問題(CMAB)に基づく新たなアルゴリズムアプローチを提案する。
CMABにインスパイアされた新しいアプローチは、従来の適応アルゴリズムよりも高速に収束しながら、より高い最終性能を達成する。
- 参考スコア(独自算出の注目度): 4.588028371034406
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quite some real-world problems can be formulated as decision-making problems
wherein one must repeatedly make an appropriate choice from a set of
alternatives. Expert judgements, whether human or artificial, can help in
taking correct decisions, especially when exploration of alternative solutions
is costly. As expert opinions might deviate, the problem of finding the right
alternative can be approached as a collective decision making problem (CDM).
Current state-of-the-art approaches to solve CDM are limited by the quality of
the best expert in the group, and perform poorly if experts are not qualified
or if they are overly biased, thus potentially derailing the decision-making
process. In this paper, we propose a new algorithmic approach based on
contextual multi-armed bandit problems (CMAB) to identify and counteract such
biased expertises. We explore homogeneous, heterogeneous and polarised expert
groups and show that this approach is able to effectively exploit the
collective expertise, irrespective of whether the provided advice is directly
conducive to good performance, outperforming state-of-the-art methods,
especially when the quality of the provided expertise degrades. Our novel
CMAB-inspired approach achieves a higher final performance and does so while
converging more rapidly than previous adaptive algorithms, especially when
heterogeneous expertise is readily available.
- Abstract(参考訳): いくつかの現実の問題は意思決定の問題として定式化され、ある選択肢から適切な選択を繰り返す必要がある。
人間であれ人工であれ、専門家の判断は、特に代替ソリューションの探索にコストがかかる場合に、正しい判断を下すのに役立つ。
専門家の意見が逸脱する可能性があるため、正しい選択肢を見つけるという問題は、集団意思決定問題(CDM)としてアプローチできる。
現在の最先端のCDM解決アプローチは、グループ内の最高の専門家の質によって制限されており、専門家が資格がない場合や過度に偏りがある場合、判断プロセスの妨げになる可能性がある。
本稿では,文脈的マルチアームバンディット問題(CMAB)に基づく新たなアルゴリズムアプローチを提案する。
我々は,同種,異種,偏極性の専門家グループを探索し,提案手法が優れた評価に直結するかどうか,最先端の手法,特に提供された専門知識の品質が低下した場合に,効果的に活用可能であることを示す。
cmabに触発された新しいアプローチは,従来の適応型アルゴリズムよりも高速に収束しながら,高い最終性能を実現している。
関連論文リスト
- Inverse Reinforcement Learning with Sub-optimal Experts [56.553106680769474]
与えられた専門家の集合と互換性のある報酬関数のクラスの理論的性質について検討する。
以上の結果から,複数の準最適専門家の存在が,相反する報酬の集合を著しく減少させる可能性が示唆された。
我々は,最適なエージェントの1つに十分近い準最適専門家のパフォーマンスレベルが最適である場合に,最小限の最適化を行う一様サンプリングアルゴリズムを解析する。
論文 参考訳(メタデータ) (2024-01-08T12:39:25Z) - Expert-guided Bayesian Optimisation for Human-in-the-loop Experimental
Design of Known Systems [0.0]
我々は,高スループット(バッチ)ベイズ最適化と人類学的決定理論を併用して,ドメインの専門家が最適実験の選択に影響を及ぼすことを可能にする。
我々の方法論は、人間が連続的な選択よりも個別に選択する方が優れているという仮説を利用しており、専門家が重要な早期決定に影響を及ぼすことを可能にする。
論文 参考訳(メタデータ) (2023-12-05T16:09:31Z) - Online Decision Mediation [72.80902932543474]
意思決定支援アシスタントを学習し、(好奇心)専門家の行動と(不完全)人間の行動の仲介役として機能することを検討する。
臨床診断では、完全に自律的な機械行動は倫理的余裕を超えることが多い。
論文 参考訳(メタデータ) (2023-10-28T05:59:43Z) - Expertise Trees Resolve Knowledge Limitations in Collective
Decision-Making [2.924868086534434]
我々は、問題空間を異なる専門分野に分割するものとして、知識の深さと幅の変化をモデル化する。
ここでは、問題インスタンスと専門家の知識の関係を明確に考慮し、適応する新しいアルゴリズムを提供する。
論文 参考訳(メタデータ) (2023-05-02T16:59:57Z) - On solving decision and risk management problems subject to uncertainty [91.3755431537592]
不確実性は意思決定とリスク管理において広範囲にわたる課題である。
本稿では,このような戦略を体系的に理解し,その適用範囲を判断し,それらをうまく活用するための枠組みを開発する。
論文 参考訳(メタデータ) (2023-01-18T19:16:23Z) - A Machine Learning Framework Towards Transparency in Experts' Decision
Quality [0.0]
多くの重要な設定において、専門家の意思決定の質の透明性は、専門家の判断を評価するための根拠となる真理のデータがコストが高く、限られた一連の決定のためにのみ利用できるため、めったに不可能である。
まず、この設定で専門家の判断精度を推定し、それに対応するための機械学習ベースのフレームワークを開発するという問題を定式化する。
本手法は, 労働者の過去の意思決定に関する豊富な歴史的データと, 根拠となる真理情報による意思決定事例の不足を効果的に活用する。
論文 参考訳(メタデータ) (2021-10-21T18:50:40Z) - Decision Rule Elicitation for Domain Adaptation [93.02675868486932]
ヒトインザループ機械学習は、専門家からラベルを引き出すために人工知能(AI)で広く使用されています。
この作業では、専門家が意思決定を説明する決定ルールを作成できるようにします。
決定規則の適用はアルゴリズムのドメイン適応を改善し、専門家の知識をAIモデルに広めるのに役立つことを示す。
論文 参考訳(メタデータ) (2021-02-23T08:07:22Z) - Confidence-Budget Matching for Sequential Budgeted Learning [69.77435313099366]
問合せ予算で意思決定問題を定式化する。
我々は,多腕バンディット,線形バンディット,強化学習問題を考察する。
我々は,CBMに基づくアルゴリズムが逆性の存在下で良好に動作することを示す。
論文 参考訳(メタデータ) (2021-02-05T19:56:31Z) - Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。
本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。
本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
論文 参考訳(メタデータ) (2021-01-24T05:40:29Z) - Expert Selection in High-Dimensional Markov Decision Processes [5.52481973699219]
提案手法は,候補となる専門家のポリシーを取り入れ,その間にスイッチを掛けて,優れた専門家を迅速に特定する。
これは、いくつかのエキスパートポリシーが利用可能になり得るアプリケーションで有用であり、基礎となる環境に対して実行時に選択する必要がある。
論文 参考訳(メタデータ) (2020-10-26T03:57:25Z)
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。