論文の概要: Effective Human-AI Teams via Learned Natural Language Rules and Onboarding

• arxiv url: http://arxiv.org/abs/2311.01007v1
• Date: Thu, 2 Nov 2023 06:00:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-03 14:39:15.726609
• Title: Effective Human-AI Teams via Learned Natural Language Rules and Onboarding
• Title（参考訳）: 学習自然言語ルールとオンボーディングによる効果的な人間-aiチーム
• Authors: Hussein Mozannar, Jimin J Lee, Dennis Wei, Prasanna Sattigeri, Subhro Das, David Sontag
• Abstract要約: データ領域に根ざしたルールを学び、自然言語で記述し、人間がAIとどのように協力するかを説明する。 我々の新しい領域探索アルゴリズムは、データの局所領域を、人間の先行性を補正する埋め込み空間の近傍として発見する。 我々の手法がより正確な人間-AIチームに繋がることを示す。
• 参考スコア（独自算出の注目度）: 35.35712996407173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: People are relying on AI agents to assist them with various tasks. The human must know when to rely on the agent, collaborate with the agent, or ignore its suggestions. In this work, we propose to learn rules grounded in data regions and described in natural language that illustrate how the human should collaborate with the AI. Our novel region discovery algorithm finds local regions in the data as neighborhoods in an embedding space that corrects the human prior. Each region is then described using an iterative and contrastive procedure where a large language model describes the region. We then teach these rules to the human via an onboarding stage. Through user studies on object detection and question-answering tasks, we show that our method can lead to more accurate human-AI teams. We also evaluate our region discovery and description algorithms separately.
• Abstract（参考訳）: 人々はAIエージェントを使ってさまざまなタスクを支援しています。 人間はエージェントにいつ依存するか、エージェントと協力するか、あるいは提案を無視しなければならない。 本研究では,データ領域に根ざしたルールを学習し,人間がAIとどのように協力すべきかを自然言語で記述する。 我々の新しい領域探索アルゴリズムは、データの局所領域を、人間の先行性を補正する埋め込み空間の近傍として見つける。 それぞれの領域は、大きな言語モデルがその領域を記述する反復的で対照的な手順で記述される。 そして、これらのルールをオンボーディングステージを通じて人間に教えます。 オブジェクト検出と質問応答タスクのユーザスタディを通じて、我々の手法がより正確なAIチームにつながることを示す。 また,地域発見と記述アルゴリズムを別々に評価した。

関連論文リスト

• Unexploited Information Value in Human-AI Collaboration [23.353778024330165]
  ヒューマンAIチームのパフォーマンスを改善する方法は、各エージェントがどのような情報や戦略を採用しているかを知らなければ、しばしば明確ではない。 本稿では,人間とAIの協調関係を分析するための統計的決定理論に基づくモデルを提案する。
  論文  参考訳（メタデータ） (2024-11-03T01:34:45Z)
• Team Formation amidst Conflicts [4.197110761923661]
  本研究では、対立の中でチーム形成の問題を定式化する。 目的は、個人のタスク嗜好とそれらの間の対立を考慮して、与えられた能力を持つタスクに個人を割り当てることである。 依存するラウンドリングスキームを主要なツールボックスとして使用し、効率的な近似アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2024-02-29T20:15:13Z)
• Improving Grounded Language Understanding in a Collaborative Environment by Interacting with Agents Through Help Feedback [42.19685958922537]
  我々は、人間とAIのコラボレーションは対話的であり、人間がAIエージェントの作業を監視し、エージェントが理解し活用できるフィードバックを提供するべきだと論じている。 本研究では, IGLUコンペティションによって定義された課題である, マイニングクラフトのような世界における対話型言語理解タスクを用いて, これらの方向を探索する。
  論文  参考訳（メタデータ） (2023-04-21T05:37:59Z)
• 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)
• "No, to the Right" -- Online Language Corrections for Robotic Manipulation via Shared Autonomy [70.45420918526926]
  LILACは、実行中に自然言語の修正をオンラインで実施し、適応するためのフレームワークである。 LILACは人間とロボットを個別にターンテイクする代わりに、人間とロボットの間にエージェンシーを分割する。 提案手法は,タスク完了率が高く,ユーザによって主観的に好まれることを示す。
  論文  参考訳（メタデータ） (2023-01-06T15:03:27Z)
• Human-AI Coordination via Human-Regularized Search and Learning [33.95649252941375]
  我々は,ハナビベンチマークにおいて,実際の人間と協調する上で高い性能を達成する3段階のアルゴリズムを開発した。 まず、正規化された検索アルゴリズムと行動クローンを用いて、多様なスキルレベルをキャプチャする優れた人間モデルを作成します。 本手法は, 2人のエージェントと繰り返しプレイすることで, 行動的クローン化基準に対するバニラの最良の応答を達成できることが示唆された。
  論文  参考訳（メタデータ） (2022-10-11T03:46:12Z)
• Human-to-Robot Imitation in the Wild [50.49660984318492]
  本研究では,第三者の視点からの学習を中心に,効率的なワンショットロボット学習アルゴリズムを提案する。 実世界における20種類の操作タスクを含む,ワンショットの一般化と成功を示す。
  論文  参考訳（メタデータ） (2022-07-19T17:59:59Z)
• On some Foundational Aspects of Human-Centered Artificial Intelligence [52.03866242565846]
  人間中心人工知能(Human Centered Artificial Intelligence)の意味については明確な定義はない。 本稿では,AIコンポーネントを備えた物理・ソフトウェア計算エージェントを指すHCAIエージェントについて紹介する。 HCAIエージェントの概念は、そのコンポーネントや機能とともに、人間中心のAIに関する技術的および非技術的議論を橋渡しする手段であると考えています。
  論文  参考訳（メタデータ） (2021-12-29T09:58:59Z)
• Improving Learning-to-Defer Algorithms Through Fine-Tuning [1.066048003460524]
  特定の個人とペアを組む場合、学習と遅延のアルゴリズムを改善するために作業する。 微調整は単純な人間のスキルパターンを拾うことができるが、ニュアンスには耐えられない。 学習を改善するために頑健な半教師による今後の研究を提案する。
  論文  参考訳（メタデータ） (2021-12-18T19:57:16Z)
• On the interaction between supervision and self-play in emergent communication [82.290338507106]
  本研究は,2つのカテゴリの学習信号と,サンプル効率の向上を目標とする学習信号の関係について検討する。 人間のデータに基づく教師付き学習による初等訓練エージェントが,自己演奏が会話に優れていることが判明した。
  論文  参考訳（メタデータ） (2020-02-04T02:35:19Z)

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。