論文の概要: Operational Collective Intelligence of Humans and Machines
- arxiv url: http://arxiv.org/abs/2402.13273v1
- Date: Fri, 16 Feb 2024 22:45:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-25 16:55:26.638298
- Title: Operational Collective Intelligence of Humans and Machines
- Title（参考訳）: 人間と機械の操作的集団知性
- Authors: Nikolos Gurney, Fred Morstatter, David V. Pynadath, Adam Russell, Gleb
Satyukov
- Abstract要約: 「集約的クラウドソース予測(ACF)を集団知能の運用を支援するメカニズムとして活用することを探る。」
この研究は、ACFがオペレーションの集合的知性を実現する鍵となる方法として、運用シナリオに対処できるかどうかを問うものである。
- 参考スコア（独自算出の注目度）: 7.8074313693407635
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We explore the use of aggregative crowdsourced forecasting (ACF) as a
mechanism to help operationalize ``collective intelligence'' of human-machine
teams for coordinated actions. We adopt the definition for Collective
Intelligence as: ``A property of groups that emerges from synergies among
data-information-knowledge, software-hardware, and individuals (those with new
insights as well as recognized authorities) that enables just-in-time knowledge
for better decisions than these three elements acting alone.'' Collective
Intelligence emerges from new ways of connecting humans and AI to enable
decision-advantage, in part by creating and leveraging additional sources of
information that might otherwise not be included. Aggregative crowdsourced
forecasting (ACF) is a recent key advancement towards Collective Intelligence
wherein predictions (X\% probability that Y will happen) and rationales (why I
believe it is this probability that X will happen) are elicited independently
from a diverse crowd, aggregated, and then used to inform higher-level
decision-making. This research asks whether ACF, as a key way to enable
Operational Collective Intelligence, could be brought to bear on operational
scenarios (i.e., sequences of events with defined agents, components, and
interactions) and decision-making, and considers whether such a capability
could provide novel operational capabilities to enable new forms of
decision-advantage.
- Abstract（参考訳）: 協調行動のための「協調的知性」の運用を支援するメカニズムとして,集約的クラウドソース予測(ACF)の利用を検討する。
データ情報知識、ソフトウェアハードウェア、個人間のシナジーから生じるグループの特性(新たな洞察と認識された権威を持つ)は、これら3つの要素が単独で行動するよりも優れた意思決定のためにジャスト・イン・タイムの知識を可能にする。
集団インテリジェンス(Collective Intelligence)は、人間とAIを結びつける新しい方法から生まれ、意思決定の進歩を可能にする。
Aggregative crowdsourced forecasting(ACF)は、集団知性に対する最近の重要な進歩であり、予測(X\%の確率でYが起こる)と理性(なぜこの確率でXが起こるのか)は、多様な集団から独立して引き起こされ、集約され、さらに高いレベルの意思決定を伝えるために使用される。
本研究は,運用集団的知性を実現するための重要な手段として,acfが運用シナリオ(すなわち,定義されたエージェント,コンポーネント,インタラクションによるイベントのシーケンス)と意思決定に耐えられるかどうかを問うもので,その能力が新たな形態の意思決定を可能にするための新たな運用能力を提供できるかを検討するものである。
関連論文リスト
- The Value of Information in Human-AI Decision-making [23.353778024330165]
情報の価値を特徴付けるための決定論的枠組みを提供する。
本稿では,新しい情報に基づくインスタンスレベルの説明手法を提案する。
論文 参考訳（メタデータ） (2025-02-10T04:50:42Z) - Private Knowledge Sharing in Distributed Learning: A Survey [50.51431815732716]
人工知能の台頭は多くの産業に革命をもたらし、社会の働き方を変えた。
異なるエンティティが分散または所有する学習プロセスにおいて、情報を活用することが不可欠である。
現代のデータ駆動サービスは、分散知識エンティティを結果に統合するために開発されています。
論文 参考訳（メタデータ） (2024-02-08T07:18:23Z) - IxDRL: A Novel Explainable Deep Reinforcement Learning Toolkit based on
Analyses of Interestingness [0.0]
面白さの分析に基づく新しい枠組みを提案する。
本ツールは,興味深い分析から得られたRLエージェント能力の様々な測定方法を提供する。
我々のフレームワークはエージェント設計者にRLエージェント能力に関する洞察を与えることができることを示す。
論文 参考訳（メタデータ） (2023-07-18T02:43:19Z) - On the Complexity of Multi-Agent Decision Making: From Learning in Games
to Partial Monitoring [105.13668993076801]
マルチエージェント強化学習(MARL)理論における中心的な問題は、構造条件やアルゴリズムの原理がサンプル効率の学習保証につながるかを理解することである。
本稿では,複数のエージェントを用いた対話型意思決定のための一般的な枠組みとして,この問題について考察する。
マルチエージェント意思決定における統計的複雑性を特徴付けることは、単一エージェント決定の統計的複雑性を特徴付けることと等価であることを示す。
論文 参考訳（メタデータ） (2023-05-01T06:46:22Z) - Human-Centric Multimodal Machine Learning: Recent Advances and Testbed
on AI-based Recruitment [66.91538273487379]
人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。
i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
論文 参考訳（メタデータ） (2023-02-13T16:44:44Z) - Global and Local Analysis of Interestingness for Competency-Aware Deep
Reinforcement Learning [0.0]
我々は「興味」の分析に基づく説明可能な強化学習(RL)のための最近提案されたフレームワークを拡張した。
当社のツールは,RLエージェントの能力,能力と限界に関する洞察を提供し,ユーザがより情報的な意思決定を行えるようにします。
論文 参考訳（メタデータ） (2022-11-11T17:48:42Z) - Networked Signal and Information Processing [56.572301493342174]
この記事では、ネットワーク化された信号と情報処理の大幅な進歩についてレビューし、この25年間に意思決定と推論、最適化、制御、学習を分散エージェントのユビキタスな環境に拡張してきた。
協力と共有を通じてネットワークエージェントは、クラウドやフェデレーションソリューションのパフォーマンスにマッチすると同時に、プライバシの改善、レジリエンスの向上、リソースの節約といった可能性を提供します。
論文 参考訳（メタデータ） (2022-10-25T04:57:34Z) - Modeling Human-AI Team Decision Making [14.368767225297585]
我々は、不完全なAIエージェントが支援する一連の人間のグループに、知的な問題を提示する。
あるグループの目標は、グループのメンバーとその利用可能なAIエージェントの相対的な専門知識を評価することだった。
本研究では,人間-AIグループの行動予測における,予測理論,影響力学,ベイズ学習の社会的認知的構成要素の価値を示す。
論文 参考訳（メタデータ） (2022-01-08T04:23:23Z) - Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。
本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。
本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
論文 参考訳（メタデータ） (2021-01-24T05:40:29Z) - Towards human-agent knowledge fusion (HAKF) in support of distributed
coalition teams [3.939142878694769]
将来の連立運用は、人間とマシンエージェントのアジャイルチームを通じて強化できる。
このような環境では、人間のエージェントが機械エージェントへの信頼を迅速に構築できることが不可欠である。
HAKFは、分散連立チームの一員として働く人間と機械のエージェントの両方に価値をもたらす可能性があることを示す。
論文 参考訳（メタデータ） (2020-10-23T12:10:40Z) - Randomized Entity-wise Factorization for Multi-Agent Reinforcement
Learning [59.62721526353915]
実世界のマルチエージェント設定は、エージェントや非エージェントエンティティのタイプや量が異なるタスクを伴うことが多い。
我々の方法は、これらの共通点を活用することを目的としており、「観察対象のランダムに選択されたサブグループのみを考えるとき、各エージェントが期待する効用は何か?」という問いを投げかける。
論文 参考訳（メタデータ） (2020-06-07T18:28:41Z)
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。