論文の概要: A Unifying Framework for Combining Complementary Strengths of Humans and
ML toward Better Predictive Decision-Making
- arxiv url: http://arxiv.org/abs/2204.10806v1
- Date: Fri, 22 Apr 2022 16:41:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-25 14:46:10.524020
- Title: A Unifying Framework for Combining Complementary Strengths of Humans and
ML toward Better Predictive Decision-Making
- Title(参考訳): 予測的意思決定のための人間とmlの相補的強みを結合する統一的枠組み
- Authors: Charvi Rastogi, Liu Leqi, Kenneth Holstein, Hoda Heidari
- Abstract要約: 我々は、人間-ML予測意思決定システムのコンテキストに特に焦点をあてる。
我々は,人間と機械の意思決定が異なる様々な基準を特徴付ける分類法を紹介した。
我々の分類に基づいて、我々の第2の貢献は、人間とMLの予測決定を最適に集計する方法を定式化する、統一された最適化ベースのフレームワークを提示します。
- 参考スコア(独自算出の注目度): 14.273683978600255
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hybrid human-ML systems are increasingly in charge of consequential decisions
in a wide range of domains. A growing body of work has advanced our
understanding of these systems by providing empirical and theoretical analyses.
However, existing empirical results are mixed, and theoretical proposals are
often incompatible with each other. Our goal in this work is to bring
much-needed organization to this field by offering a unifying framework for
understanding conditions under which combining complementary strengths of human
and ML leads to higher quality decisions than those produced by them
individually -- a state to which we refer to as human-ML complementarity. We
focus specifically on the context of human-ML predictive decision-making
systems and investigate optimal ways of combining human and ML-based predictive
decisions, accounting for the underlying causes of variation in their
judgments. Within this scope, we present two crucial contributions. First,
drawing upon prior literature in human psychology, machine learning, and
human-computer interaction, we introduce a taxonomy characterizing a wide
variety of criteria across which human and machine decision-making differ.
Building on our taxonomy, our second contribution presents a unifying
optimization-based framework for formalizing how human and ML predictive
decisions should be aggregated optimally. We show that our proposed framework
encompasses several existing models of human-ML complementarity as special
cases. Last but not least, the exploratory analysis of our framework offers a
critical piece of insight for future work in this area: the mechanism by which
we combine human-ML judgments should be informed by the underlying causes of
their diverging decisions.
- Abstract(参考訳): ハイブリッドな人間-MLシステムは、広範囲のドメインにおける連続的な決定をますます担当している。
成長する研究機関は、経験的および理論的分析を提供することで、これらのシステムに対する理解を深めてきた。
しかし、既存の実験結果は混ざり合っており、理論的な提案はしばしば互いに相容れない。
この研究の目標は、人間とmlの相補的な強みを組み合わせることで、個人が生み出すものよりも高品質な意思決定につながる状況を理解するための統一的な枠組みを提供することで、多くのニーズのある組織をこの分野に持ち込むことです。
我々は,人間-ml予測意思決定システムの文脈に着目し,人間とmlに基づく予測決定を組み合わせる最適な方法を検討し,その判断の変動の根本原因を考察する。
このスコープでは、2つの重要な貢献を行います。
まず、人間の心理学、機械学習、人間とコンピュータの相互作用に関する先行文献をもとに、人間と機械の意思決定が異なる幅広い基準を特徴付ける分類法を導入する。
2つ目の貢献は、人間とmlの予測決定を最適に集約する方法を定式化するための最適化ベースのフレームワークです。
提案するフレームワークは,人間-MLの相補性に関するいくつかの既存モデルを含む。
最後に重要なこととして、このフレームワークの探索分析は、この分野における今後の作業に重要な洞察を与えます。
関連論文リスト
- Transforming Competition into Collaboration: The Revolutionary Role of Multi-Agent Systems and Language Models in Modern Organizations [0.0]
本稿では,マルチエージェントシステム理論(SMA)と大規模言語モデル(LLM)に基づく計算エンティティがユーザインタラクションに与える影響について考察する。
提案手法では,大規模言語モデル (LLM) から発達したエージェントを用いて,行動要素を考慮したプロトタイピングを行う。
我々は,多エージェントシステム理論(SMA)と大規模言語モデル(LLM)に基づく革新的な利用に基づいて,組織戦略に有用なエージェントの開発の可能性を示す。
論文 参考訳(メタデータ) (2024-03-12T15:56:10Z) - Large Language Model-based Human-Agent Collaboration for Complex Task
Solving [94.3914058341565]
複雑なタスク解決のためのLarge Language Models(LLM)に基づくヒューマンエージェントコラボレーションの問題を紹介する。
Reinforcement Learning-based Human-Agent Collaboration method, ReHACを提案する。
このアプローチには、タスク解決プロセスにおける人間の介入の最も急進的な段階を決定するために設計されたポリシーモデルが含まれている。
論文 参考訳(メタデータ) (2024-02-20T11:03:36Z) - Offline Risk-sensitive RL with Partial Observability to Enhance
Performance in Human-Robot Teaming [1.3980986259786223]
本稿では,モデルの不確実性を取り入れ,リスクに敏感なシーケンシャルな意思決定を可能にする手法を提案する。
シミュレーションロボット遠隔操作環境において,26名の被験者を対象に実験を行った。
論文 参考訳(メタデータ) (2024-02-08T14:27:34Z) - Computational Experiments Meet Large Language Model Based Agents: A
Survey and Perspective [16.08517740276261]
計算実験は複雑なシステムを研究するための貴重な方法として登場した。
エージェントベースモデリング(ABM)における実際の社会システムを正確に表現することは、人間の多様性と複雑な特性のために困難である。
大規模言語モデル(LLM)の統合が提案され、エージェントが人為的な能力を持つことができる。
論文 参考訳(メタデータ) (2024-02-01T01:17:46Z) - Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [55.65482030032804]
社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。
本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。
提案手法は,軌道予測器が将来の状態を生成するために使用する関係の進化を捉えるために,動的に進化する関係グラフとハイパーグラフを推論する。
論文 参考訳(メタデータ) (2024-01-22T18:58:22Z) - Confounding-Robust Policy Improvement with Human-AI Teams [9.823906892919746]
限界感度モデル(MSM)を用いて,人間とAIの協調作業における非観測的コンバウンディングに対処する新しい手法を提案する。
このアプローチでは、ドメインの専門知識とAI駆動の統計モデルを組み合わせることで、他の方法では隠される可能性がある共同ファウンダーの可能性を考慮しています。
論文 参考訳(メタデータ) (2023-10-13T02:39:52Z) - Exploring Collaboration Mechanisms for LLM Agents: A Social Psychology
View [64.43238868957813]
本稿では,理論的洞察を用いた実用実験により,現代NLPシステム間の協調機構を解明する。
我々は, LLMエージェントからなる4つの独特な社会をつくり, それぞれのエージェントは, 特定の特性(容易性, 過信性)によって特徴づけられ, 異なる思考パターン(議論, ふりかえり)と協調する。
以上の結果から, LLMエージェントは, 社会心理学理論を反映した, 適合性やコンセンサスリーディングといった人間的な社会的行動を示すことが明らかとなった。
論文 参考訳(メタデータ) (2023-10-03T15:05:52Z) - Training Socially Aligned Language Models on Simulated Social
Interactions [99.39979111807388]
AIシステムにおける社会的アライメントは、確立された社会的価値に応じてこれらのモデルが振舞うことを保証することを目的としている。
現在の言語モデル(LM)は、トレーニングコーパスを独立して厳格に複製するように訓練されている。
本研究は,シミュレートされた社会的相互作用からLMを学習することのできる,新しい学習パラダイムを提案する。
論文 参考訳(メタデータ) (2023-05-26T14:17:36Z) - DIME: Fine-grained Interpretations of Multimodal Models via Disentangled
Local Explanations [119.1953397679783]
我々は,マルチモーダルモデルの解釈における最先端化に注力する。
提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
論文 参考訳(メタデータ) (2022-03-03T20:52:47Z) - Human-Algorithm Collaboration: Achieving Complementarity and Avoiding
Unfairness [92.26039686430204]
慎重に設計されたシステムであっても、補完的な性能はあり得ないことを示す。
まず,簡単な人間アルゴリズムをモデル化するための理論的枠組みを提案する。
次に、このモデルを用いて相補性が不可能な条件を証明する。
論文 参考訳(メタデータ) (2022-02-17T18:44:41Z)
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。