論文の概要: Learning Personalized Decision Support Policies

• arxiv url: http://arxiv.org/abs/2304.06701v1
• Date: Thu, 13 Apr 2023 17:53:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-14 13:29:26.353989
• Title: Learning Personalized Decision Support Policies
• Title（参考訳）: 個人化意思決定支援政策の学習
• Authors: Umang Bhatt, Valerie Chen, Katherine M. Collins, Parameswaran Kamalaruban, Emma Kallina, Adrian Weller, Ameet Talwalkar
• Abstract要約: 重要な疑問は、どの形式のサポートが、低コストで正確な決定につながるかである。 提案する意思決定支援方針は,与えられた入力に対して,提供すべき支援形態を選択するものである。 我々は、事前情報を持たない意思決定者について検討し、多目的最適化問題として各政策の学習を形式化する。
• 参考スコア（独自算出の注目度）: 39.39978450670295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Individual human decision-makers may benefit from different forms of support to improve decision outcomes. However, a key question is which form of support will lead to accurate decisions at a low cost. In this work, we propose learning a decision support policy that, for a given input, chooses which form of support, if any, to provide. We consider decision-makers for whom we have no prior information and formalize learning their respective policies as a multi-objective optimization problem that trades off accuracy and cost. Using techniques from stochastic contextual bandits, we propose $\texttt{THREAD}$, an online algorithm to personalize a decision support policy for each decision-maker, and devise a hyper-parameter tuning strategy to identify a cost-performance trade-off using simulated human behavior. We provide computational experiments to demonstrate the benefits of $\texttt{THREAD}$ compared to offline baselines. We then introduce $\texttt{Modiste}$, an interactive tool that provides $\texttt{THREAD}$ with an interface. We conduct human subject experiments to show how $\texttt{Modiste}$ learns policies personalized to each decision-maker and discuss the nuances of learning decision support policies online for real users.
• Abstract（参考訳）: 個人の意思決定者は、意思決定の成果を改善するために異なる形式の支援の恩恵を受けることができる。 しかしながら、重要な疑問は、どの形式のサポートが、低コストで正確な決定につながるかである。 本研究は,与えられた入力に対して,提供すべき支援形態を選択する決定支援政策の学習を提案する。 我々は、事前情報を持っていない意思決定者に対して、精度とコストをトレードオフする多目的最適化問題として、各政策の学習を形式化する。 確率的文脈的包帯からの手法を用いて、意思決定者ごとの決定支援ポリシーをパーソナライズするオンラインアルゴリズムである$\texttt{THREAD}$を提案し、シミュレーションされた人間の行動を用いてコストパフォーマンストレードオフを特定するためのハイパーパラメータチューニング戦略を考案する。 オフラインベースラインと比較して$\texttt{THREAD}$の利点を示すための計算実験を提供する。 次に、インタフェースで$\texttt{thread}$を提供するインタラクティブなツールである$\texttt{modiste}$を紹介します。 我々は、各意思決定者にパーソナライズされたポリシーを学習し、実際のユーザのためにオンラインで学習決定支援ポリシーのニュアンスについて議論する方法を示すために、人間の主題実験を行う。

関連論文リスト

• Dynamic Information Sub-Selection for Decision Support [5.063114309794011]
  我々は,ブラックボックス意思決定者のパフォーマンス向上を目的とした,AI支援の新しいフレームワークであるDynamic Information Sub-Selection(DISS)を紹介する。 偏りのある意思決定支援、専門家の割り当て最適化、大規模言語モデル決定支援、解釈可能性など、DisdisSのいくつかの応用について検討する。
  論文  参考訳（メタデータ） (2024-10-30T20:00:54Z)
• Combining AI Control Systems and Human Decision Support via Robustness and Criticality [53.10194953873209]
  我々は、逆説(AE)の方法論を最先端の強化学習フレームワークに拡張する。 学習したAI制御システムは、敵のタンパリングに対する堅牢性を示す。 トレーニング/学習フレームワークでは、この技術は人間のインタラクションを通じてAIの決定と説明の両方を改善することができる。
  論文  参考訳（メタデータ） (2024-07-03T15:38:57Z)
• Decoding AI's Nudge: A Unified Framework to Predict Human Behavior in AI-assisted Decision Making [24.258056813524167]
  本稿では,AI支援の様々な形態が意思決定者に与える影響を解釈できる計算フレームワークを提案する。 人間の意思決定プロセスにおけるAIアシストを「エマード」として概念化することで、私たちのアプローチは、異なる形のAIアシストが人間の戦略をどのように修正するかをモデル化することに集中します。
  論文  参考訳（メタデータ） (2024-01-11T11:22:36Z)
• Optimising Human-AI Collaboration by Learning Convincing Explanations [62.81395661556852]
  本研究では,人間による意思決定によって安全を保ちながら協調的なシステムを構築する手法を提案する。 Ardentは、説明のための個人の好みに適応することで、効率的で効果的な意思決定を可能にする。
  論文  参考訳（メタデータ） (2023-11-13T16:00:16Z)
• Proactive Detractor Detection Framework Based on Message-Wise Sentiment Analysis Over Customer Support Interactions [60.87845704495664]
  本稿では、チャットベースのカスタマーサポートのインタラクションにのみ依存して、個々のユーザの推薦決定を予測するフレームワークを提案する。 ケーススタディでは、ラテンアメリカの大手電子商取引会社の金融分野における16.4kのユーザ数と48.7kの顧客サポートに関する会話を分析した。 以上の結果から,CS会話のメッセージワイドな感情進化のみに基づいて,ユーザが製品やサービスを推薦する可能性を予測することが可能であることが示唆された。
  論文  参考訳（メタデータ） (2022-11-08T00:43:36Z)
• Human-Centric Decision Support Tools: Insights from Real-World Design and Implementation [0.0]
  意思決定支援ツールは、挑戦的な決定問題に対する意思決定の改善を可能にする。 彼らの意図的なデザインは、彼らが生み出す価値の重要な構成要素です。 私たちは、効果的な意思決定支援ツールを設計するための革新的で、おそらく見落とされがちなアプローチを提唱します。
  論文  参考訳（メタデータ） (2021-11-10T16:45:46Z)
• Towards Emotional Support Dialog Systems [61.58828606097423]
  本稿では,感情支援会話タスクを定義し,ヘルピングスキル理論に基づくESCフレームワークを提案する。 本研究では,豊かなアノテーション(特にサポート戦略)をヘルプシーカとサポーターモードで組み込んだ感情支援会話データセット(ESConv)を構築した。 情緒的サポートを提供する能力に関して、最先端の対話モデルを評価する。
  論文  参考訳（メタデータ） (2021-06-02T13:30:43Z)
• RADAR-X: An Interactive Mixed Initiative Planning Interface Pairing Contrastive Explanations and Revised Plan Suggestions [30.98066157540983]
  本稿では,対話型説明対話におけるユーザ参加能力を示す決定支援システムRADAR-Xを提案する。 本システムは,ユーザの潜在的嗜好を引き出すためにこの対話を利用し,3つの異なるインタラクション戦略を通じて計画提案を改訂する。
  論文  参考訳（メタデータ） (2020-11-19T04:18:38Z)
• AvE: Assistance via Empowerment [77.08882807208461]
  そこで我々は,人間の環境制御能力を高めることで,支援のための新しいパラダイムを提案する。 このタスクに依存しない目的は、個人の自律性と最終的な状態を達成する能力を維持する。
  論文  参考訳（メタデータ） (2020-06-26T04:40:11Z)

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。