論文の概要: Forming Effective Human-AI Teams: Building Machine Learning Models that
Complement the Capabilities of Multiple Experts
- arxiv url: http://arxiv.org/abs/2206.07948v1
- Date: Thu, 16 Jun 2022 06:42:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-17 14:52:18.756799
- Title: Forming Effective Human-AI Teams: Building Machine Learning Models that
Complement the Capabilities of Multiple Experts
- Title（参考訳）: 効果的なヒューマンAIチームの構築: 複数の専門家の能力を補完する機械学習モデルの構築
- Authors: Patrick Hemmer and Sebastian Schellhammer and Michael V\"ossing and
Johannes Jakubik and Gerhard Satzger
- Abstract要約: 複数の専門家の能力を補うために分類モデルを訓練する手法を提案する。
提案手法を,複数の放射線学者による「合成」の専門家と実世界の医療データセットを用いた公開データセットの実験で評価した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Machine learning (ML) models are increasingly being used in application
domains that often involve working together with human experts. In this
context, it can be advantageous to defer certain instances to a single human
expert when they are difficult to predict for the ML model. While previous work
has focused on scenarios with one distinct human expert, in many real-world
situations several human experts with varying capabilities may be available. In
this work, we propose an approach that trains a classification model to
complement the capabilities of multiple human experts. By jointly training the
classifier together with an allocation system, the classifier learns to
accurately predict those instances that are difficult for the human experts,
while the allocation system learns to pass each instance to the most suitable
team member -- either the classifier or one of the human experts. We evaluate
our proposed approach in multiple experiments on public datasets with
"synthetic" experts and a real-world medical dataset annotated by multiple
radiologists. Our approach outperforms prior work and is more accurate than the
best human expert or a classifier. Furthermore, it is flexibly adaptable to
teams of varying sizes and different levels of expert diversity.
- Abstract（参考訳）: 機械学習(ML)モデルは、人間の専門家と協力することが多いアプリケーションドメインで、ますます使われている。
この文脈では、MLモデルの予測が困難である場合に、特定のインスタンスを単一の人間専門家に延期することが有利である。
これまでの研究は、ある異なる人間の専門家によるシナリオに焦点を当ててきたが、現実の多くの状況では、様々な能力を持つ人間専門家が利用できるかもしれない。
本研究では,複数の専門家の能力を補完するために分類モデルを訓練する手法を提案する。
分類器をアロケーションシステムと共同でトレーニングすることで、分類器は人間の専門家にとって困難なインスタンスを正確に予測することを学び、割当てシステムは各インスタンスを最も適したチームメンバー(分類器または人間の専門家のどちらか)に渡すことを学習する。
提案手法を,複数の放射線学者による「合成」専門家と実世界の医療データセットを用いた複数の実験で評価した。
我々のアプローチは以前の作業よりも優れており、最高の人間専門家や分類器よりも正確です。
さらに、さまざまなサイズと異なるレベルの専門的多様性を持つチームに柔軟に対応できる。
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) - Improving the Efficiency of Human-in-the-Loop Systems: Adding Artificial
to Human Experts [0.7349727826230862]
未知のクラスからデータインスタンスを分類することを学ぶ人工専門家を作成するハイブリッドシステムを提案する。
提案手法は、画像分類に関するいくつかのベンチマークにおいて、従来のHITLシステムより優れている。
論文 参考訳（メタデータ） (2023-07-06T14:06:23Z) - Domain Generalization for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳（メタデータ） (2023-04-20T11:40:21Z) - Learning to Defer with Limited Expert Predictions [0.0]
本稿では,アルゴリズムを遅延させる学習訓練に必要な専門家予測数を3段階に短縮する手法を提案する。
実験の結果,この手法により,人間専門家の予測が最小限に抑えられたアルゴリズムを,様々な学習の訓練で遅延させることができることがわかった。
論文 参考訳（メタデータ） (2023-04-14T09:22:34Z) - BO-Muse: A human expert and AI teaming framework for accelerated
experimental design [58.61002520273518]
我々のアルゴリズムは、人間の専門家が実験プロセスでリードすることを可能にする。
我々のアルゴリズムは、AIや人間よりも高速に、サブ線形に収束することを示す。
論文 参考訳（メタデータ） (2023-03-03T02:56:05Z) - JECC: Commonsense Reasoning Tasks Derived from Interactive Fictions [75.42526766746515]
本稿では,人間のインタラクティブ・フィクション(IF)ゲームプレイ・ウォークスルーに基づく新しいコモンセンス推論データセットを提案する。
本データセットは,事実知識ではなく,機能的コモンセンス知識ルールの評価に重点を置いている。
実験の結果、導入したデータセットは、以前の機械読影モデルと新しい大規模言語モデルに難題であることが示されている。
論文 参考訳（メタデータ） (2022-10-18T19:20:53Z) - Diversified Dynamic Routing for Vision Tasks [36.199659460868496]
本稿では,各レイヤが専門家の集合で構成された新しいアーキテクチャを提案する。
本手法では,データのパーティショニングに関する課題を解決するために,モデルを明示的に訓練する。
都市景観のセマンティックセグメンテーションとMS-COCOのオブジェクト検出とインスタンスセグメンテーションについていくつかの実験を行った。
論文 参考訳（メタデータ） (2022-09-26T23:27:51Z) - SuperCone: Modeling Heterogeneous Experts with Concept Meta-learning for
Unified Predictive Segments System [8.917697023052257]
統合述語セグメントシステムであるSuperConeについて述べる。
これは、各ユーザの異質なデジタルフットプリントを要約するフラットな概念表現の上に構築される。
様々な述語セグメントタスクにおいて、最先端のレコメンデーションとランキングアルゴリズムを上回ります。
論文 参考訳（メタデータ） (2022-03-09T04:11:39Z) - Towards Unbiased and Accurate Deferral to Multiple Experts [19.24068936057053]
本研究では, 分類器とディフェラルシステムを同時に学習するフレームワークを提案し, ディフェラルシステムは1人以上の人間専門家にディジェラルシステムを選択する。
本フレームワークは,偏りのある合成専門家による合成データセットとコンテンツモデレーションデータセットを用いてテストし,最終予測の精度と公平性を大幅に向上させることを示す。
論文 参考訳（メタデータ） (2021-02-25T17:08:39Z) - Multiple Expert Brainstorming for Domain Adaptive Person
Re-identification [140.3998019639158]
本稿では、ドメイン適応型人物再IDのための複数の専門家ブレインストーミングネットワーク(MEB-Net)を提案する。
MEB-Netは、異なるアーキテクチャを持つ複数のネットワークをソースドメイン内で事前トレーニングする、相互学習戦略を採用している。
大規模データセットの実験は、最先端技術よりもMEB-Netの方が優れた性能を示している。
論文 参考訳（メタデータ） (2020-07-03T08:16:19Z) - Learning to Complement Humans [67.38348247794949]
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。
論文 参考訳（メタデータ） (2020-05-01T20:00:23Z)
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。