論文の概要: Learning Personalized Decision Support Policies

• arxiv url: http://arxiv.org/abs/2304.06701v2
• Date: Mon, 27 May 2024 14:10:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-29 12:38:03.903603
• 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: $texttModiste$は、パーソナライズされた意思決定支援ポリシーを学ぶためのインタラクティブツールである。 パーソナライズされたポリシは、オフラインポリシよりも優れており、コストを意識した環境では、パフォーマンスの低下を最小限に抑えて、発生したコストを削減することができる。
• 参考スコア（独自算出の注目度）: 56.949897454209186
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Individual human decision-makers may benefit from different forms of support to improve decision outcomes, but when each form of support will yield better outcomes? In this work, we posit that personalizing access to decision support tools can be an effective mechanism for instantiating the appropriate use of AI assistance. Specifically, we propose the general problem of learning a decision support policy that, for a given input, chooses which form of support to provide to decision-makers for whom we initially have no prior information. We develop $\texttt{Modiste}$, an interactive tool to learn personalized decision support policies. $\texttt{Modiste}$ leverages stochastic contextual bandit techniques to personalize a decision support policy for each decision-maker and supports extensions to the multi-objective setting to account for auxiliary objectives like the cost of support. We find that personalized policies outperform offline policies, and, in the cost-aware setting, reduce the incurred cost with minimal degradation to performance. Our experiments include various realistic forms of support (e.g., expert consensus and predictions from a large language model) on vision and language tasks. Our human subject experiments validate our computational experiments, demonstrating that personalization can yield benefits in practice for real users, who interact with $\texttt{Modiste}$.
• 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の支援の恩恵を受けるかもしれませんが、それぞれの支援形態がより良い結果をもたらす場合がありますか? 本研究では、意思決定支援ツールへのアクセスをパーソナライズすることが、AIアシストの適切な使用をインスタンス化するための効果的なメカニズムであると仮定する。 具体的には、最初に事前情報を持っていない意思決定者に対して、与えられた入力に対して、どの支援形態を選択するかを選択する決定支援政策を学習する一般的な問題を提案する。 我々は、パーソナライズされた意思決定支援ポリシーを学ぶインタラクティブツールである$\texttt{Modiste}$を開発した。 $\texttt{Modiste}$は、確率的文脈的盗聴技術を活用して、意思決定者ごとに意思決定支援ポリシーをパーソナライズし、サポートコストなどの補助的な目的を考慮に入れた多目的設定の拡張をサポートする。 パーソナライズされたポリシは、オフラインポリシよりも優れており、コストを意識した環境では、パフォーマンスの低下を最小限に抑えて、発生したコストを削減することができる。 我々の実験には、ビジョンと言語タスクに関する様々な現実的な支援形態(例えば、専門家のコンセンサスと、大きな言語モデルからの予測)が含まれています。 我々の被験者実験は我々の計算実験を検証し、$\texttt{Modiste}$と対話する実際のユーザにとって、パーソナライズがメリットをもたらすことを示した。

関連論文リスト

• 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)
• Learning to Guide Human Experts via Personalized Large Language Models [23.7625973884849]
  遅延の学習において、予測者はリスクのある決定を識別し、それを人間の専門家に宣言する。 ガイドを学ぶ際には、機械は意思決定をガイドするのに有用なガイダンスを提供し、人間は完全に決定を下す責任がある。
  論文  参考訳（メタデータ） (2023-08-11T09:36:33Z)
• 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。