論文の概要: Optimal To-Do List Gamification for Long Term Planning
- arxiv url: http://arxiv.org/abs/2109.06505v2
- Date: Wed, 15 Sep 2021 05:05:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-16 10:36:46.768740
- Title: Optimal To-Do List Gamification for Long Term Planning
- Title（参考訳）: 長期計画のための最適To-Doリストゲーミフィケーション
- Authors: Saksham Consul, Jugoslav Stojcheski, Valkyrie Felso, Falk Lieder
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.6882042556551609
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most people struggle with prioritizing work. While inexact heuristics have
been developed over time, there is still no tractable principled algorithm for
deciding which of the many possible tasks one should tackle in any given day,
month, week, or year. Additionally, some people suffer from cognitive biases
such as the present bias, leading to prioritization of their immediate
experience over long-term consequences which manifests itself as
procrastination and inefficient task prioritization. Our method utilizes
optimal gamification to help people overcome these problems by incentivizing
each task by a number of points that convey how valuable it is in the long-run.
We extend the previous version of our optimal gamification method with added
services for helping people decide which tasks should and should not be done
when there is not enough time to do everything. To improve the efficiency and
scalability of the to-do list solver, we designed a hierarchical procedure that
tackles the problem from the top-level goals to fine-grained tasks. We test the
accuracy of the incentivised to-do list by comparing the performance of the
strategy with the points computed exactly using Value Iteration for a variety
of case studies. These case studies were specifically designed to cover the
corner cases to get an accurate judge of performance. Our method yielded the
same performance as the exact method for all case studies. To demonstrate its
functionality, we released an API that makes it easy to deploy our method in
Web and app services. We assessed the scalability of our method by applying it
to to-do lists with increasingly larger numbers of goals, sub-goals per goal,
hierarchically nested levels of subgoals. We found that the method provided
through our API is able to tackle fairly large to-do lists having a 576 tasks.
This indicates that our method is suitable for real-world applications.
- Abstract（参考訳）: ほとんどの人は仕事の優先順位付けに苦労している。
不正確なヒューリスティックは時間が経つにつれて開発されてきたが、どの日、月、週、年で取り組むべき多くのタスクのうちどれに取り組むべきかを決定する、扱いやすい原則付きアルゴリズムはいまだに存在しない。
さらに、現在のバイアスのような認知バイアスに悩まされ、長期的な結果よりもすぐれた経験を優先し、自らを先延ばしと非効率なタスク優先として表す人もいる。
本手法は最適ゲーミフィケーションを用いて,各タスクの長期的価値を伝達する複数のポイントのインセンティブを与えることにより,これらの課題を克服する。
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ければ、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。
to-doリストソルバの効率とスケーラビリティを改善するため,我々は,トップレベル目標からきめ細かなタスクに至るまでの問題に取り組む階層的な手順を設計した。
様々なケーススタディにおいて,価値反復を用いて正確に計算したポイントと戦略の性能を比較することにより,インセンティブ付きto-doリストの精度を検証した。
これらのケーススタディは、パフォーマンスを正確に判断するために、コーナーケースをカバーするように特別に設計された。
本手法はすべてのケーススタディの正確な方法と同じ性能を示した。
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。
我々は,To-Doリストに適用することで,メソッドのスケーラビリティを評価し,目標数の増加,目標ごとのサブゴール,階層的にネストしたサブゴールレベルについて検討した。
私たちのAPIを通じて提供されるメソッドは、576のタスクを持つかなり大きなto-doリストに対処できることがわかった。
これは,本手法が実世界のアプリケーションに適していることを示す。
関連論文リスト
- Learning Dual-arm Object Rearrangement for Cartesian Robots [28.329845378085054]
この研究は、カルテシアンロボットの現実的な産業シナリオから抽象化されたデュアルアームオブジェクト再構成問題に焦点を当てる。
この問題の目標は、すべてのオブジェクトをソースからターゲットに、総完了時間最小で転送することである。
我々は、累積タスク実行時間を最小化し、両腕協調効率を最大化するための効果的なオブジェクト・ツー・アームタスク割り当て戦略を開発する。
論文 参考訳（メタデータ） (2024-02-21T09:13:08Z) - 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) - Compactness Score: A Fast Filter Method for Unsupervised Feature
Selection [66.84571085643928]
本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。
提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
論文 参考訳（メタデータ） (2022-01-31T13:01:37Z) - C-Planning: An Automatic Curriculum for Learning Goal-Reaching Tasks [133.40619754674066]
ゴール条件強化学習は、ナビゲーションや操作を含む幅広い領域のタスクを解決できる。
本研究では,学習時間における探索を用いて,中間状態を自動生成する遠隔目標獲得タスクを提案する。
E-stepはグラフ検索を用いて最適な経路点列を計画することに対応し、M-stepはそれらの経路点に到達するための目標条件付きポリシーを学習することを目的としている。
論文 参考訳（メタデータ） (2021-10-22T22:05:31Z) - Auxiliary Task Update Decomposition: The Good, The Bad and The Neutral [18.387162887917164]
補助的タスク勾配のきめ細かい操作を行うモデルに依存しないフレームワークを定式化する。
そこで本研究では,タスクの損失を軽減・ダメージ・回避する方向に補助的な更新を分解することを提案する。
テキストと画像の分類タスクのアウト・オブ・ディストリビューションデータを活用する場合,我々のアプローチは一貫して,強靭で広く使用されているベースラインよりも優れています。
論文 参考訳（メタデータ） (2021-08-25T17:09:48Z) - Replacing Rewards with Examples: Example-Based Policy Search via
Recursive Classification [133.20816939521941]
標準的なマルコフ決定プロセス形式では、ユーザーは報酬関数を書き留めてタスクを指定する。
多くのシナリオでは、ユーザーはタスクを単語や数字で記述できないが、タスクが解決された場合の世界がどのように見えるかを簡単に示すことができる。
この観察に動機づけられた制御アルゴリズムは、成功した結果状態の例だけを考慮すれば、成功する結果につながる確率の高い状態を訪問することを目的としている。
論文 参考訳（メタデータ） (2021-03-23T16:19:55Z) - Optimal to-do list gamification [4.8986598953553555]
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。
論文 参考訳（メタデータ） (2020-08-12T10:59:13Z) - A Multiperiod Workforce Scheduling and Routing Problem with Dependent
Tasks [0.0]
我々は新しいワークフォーススケジューリングとルーティング問題について研究する。
この問題では、顧客は企業からサービスを要求する。
サービスに属するタスクは異なるチームによって実行され、顧客は1日に1回以上訪問することができる。
論文 参考訳（メタデータ） (2020-08-06T19:31:55Z) - 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) - Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal
Constraints [52.58352707495122]
本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。
都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
論文 参考訳（メタデータ） (2020-05-27T01:10:41Z) - Conditional Channel Gated Networks for Task-Aware Continual Learning [44.894710899300435]
畳み込みニューラルネットワークは、一連の学習問題に最適化された場合、破滅的な忘れを経験する。
本稿では,この問題に条件付き計算で対処する新しい枠組みを提案する。
提案手法を4つの連続学習データセットで検証する。
論文 参考訳（メタデータ） (2020-03-31T19:35:07Z)
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。