論文の概要: Designing Algorithmic Recommendations to Achieve Human-AI Complementarity

• arxiv url: http://arxiv.org/abs/2405.01484v1
• Date: Thu, 2 May 2024 17:15:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-03 15:35:38.241384
• Title: Designing Algorithmic Recommendations to Achieve Human-AI Complementarity
• Title（参考訳）: 人間とAIの相補性を達成するためのアルゴリズムレコメンデーションの設計
• Authors: Bryce McLaughlin, Jann Spiess,
• Abstract要約: 人間の意思決定を支援するレコメンデーションアルゴリズムの設計を形式化する。 我々のフレームワークは、人間とAIの相補性を実現するソリューションを設計するのに役立ちます。
• 参考スコア（独自算出の注目度）: 2.4247752614854203
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Algorithms frequently assist, rather than replace, human decision-makers. However, the design and analysis of algorithms often focus on predicting outcomes and do not explicitly model their effect on human decisions. This discrepancy between the design and role of algorithmic assistants becomes of particular concern in light of empirical evidence that suggests that algorithmic assistants again and again fail to improve human decisions. In this article, we formalize the design of recommendation algorithms that assist human decision-makers without making restrictive ex-ante assumptions about how recommendations affect decisions. We formulate an algorithmic-design problem that leverages the potential-outcomes framework from causal inference to model the effect of recommendations on a human decision-maker's binary treatment choice. Within this model, we introduce a monotonicity assumption that leads to an intuitive classification of human responses to the algorithm. Under this monotonicity assumption, we can express the human's response to algorithmic recommendations in terms of their compliance with the algorithm and the decision they would take if the algorithm sends no recommendation. We showcase the utility of our framework using an online experiment that simulates a hiring task. We argue that our approach explains the relative performance of different recommendation algorithms in the experiment, and can help design solutions that realize human-AI complementarity.
• Abstract（参考訳）: アルゴリズムは人間の意思決定を置き換えるのではなく、しばしば助ける。 しかしながら、アルゴリズムの設計と分析は、しばしば結果を予測することに集中し、人的決定に対するその影響を明示的にモデル化しない。 このアルゴリズムアシスタントの設計と役割の相違は、アルゴリズムアシスタントが人的決定を改善するのに何度も失敗することを示す経験的な証拠から、特に懸念される。 本稿では,人間の意思決定者を支援するレコメンデーションアルゴリズムの設計を,レコメンデーションが意思決定にどう影響するかという限定的な前提を課すことなく形式化する。 本稿では、因果推論から潜在的アウトカムの枠組みを活用するアルゴリズム設計問題を定式化し、人間の意思決定者による二項処理選択に対するレコメンデーションの効果をモデル化する。 本モデルでは,アルゴリズムに対する人間の反応を直感的に分類する単調性仮定を導入する。 この単調な仮定の下では、アルゴリズムへのコンプライアンスと、アルゴリズムが推奨を送信しない場合の判断の観点から、アルゴリズムレコメンデーションに対する人間の反応を表現できる。 我々は,採用タスクをシミュレートするオンライン実験を用いて,我々のフレームワークの有用性を実証する。 提案手法は,提案実験における推薦アルゴリズムの相対的性能を説明し,人間とAIの相補性を実現するソリューションの設計に有効である,と論じる。

関連論文リスト

• Human Expertise in Algorithmic Prediction [16.104330706951004]
  アルゴリズムの予測に人間の専門知識を取り入れるための新しい枠組みを導入する。 我々のアプローチは、人間による判断を用いて、どんな予測アルゴリズムにも「同じように見える」入力を区別することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-02-01T17:23:54Z)
• Decision-aid or Controller? Steering Human Decision Makers with Algorithms [5.449173263947196]
  人間の意思決定者について学習し、最終決定に影響を与えるために「個人化された推薦」を提供する意思決定支援アルゴリズムについて検討する。 このようなアルゴリズムの潜在的な応用とその社会的意味について論じる。
  論文  参考訳（メタデータ） (2023-03-23T23:24:26Z)
• Socio-cognitive Optimization of Time-delay Control Problems using Evolutionary Metaheuristics [89.24951036534168]
  メタヒューリスティックス(Metaheuristics)は、古典的なアプローチでは解決できない難解な問題を解くために使用される普遍的な最適化アルゴリズムである。 本稿では,キャストに基づく新しい社会認知メタヒューリスティックの構築を目標とし,このアルゴリズムのいくつかのバージョンを時間遅延システムモデルの最適化に適用する。
  論文  参考訳（メタデータ） (2022-10-23T22:21:10Z)
• Learning When to Advise Human Decision Makers [12.47847261193524]
  本稿では,アルゴリズムがユーザと双方向に対話するAIシステムの設計を提案する。 大規模な実験の結果,私たちのアドバイスアプローチは,必要な時にアドバイスを提供することができることがわかった。
  論文  参考訳（メタデータ） (2022-09-27T17:52:13Z)
• Algorithmic Assistance with Recommendation-Dependent Preferences [2.864550757598007]
  選択に影響を及ぼすアルゴリズムレコメンデーションの効果と設計について考察する。 我々は、レコメンデーションに依存した選好が、意思決定者がレコメンデーションに過度に反応する非効率性を生み出すことを示す。
  論文  参考訳（メタデータ） (2022-08-16T09:24:47Z)
• Doubting AI Predictions: Influence-Driven Second Opinion Recommendation [92.30805227803688]
  我々は,補完的な意見を提供する可能性のある専門家を識別する,共通の組織的実践に基づいて,人間とAIのコラボレーションを強化する方法を提案する。 提案手法は、一部の専門家がアルゴリズムによる評価に異を唱えるかどうかを特定することによって、生産的な不一致を活用することを目的としている。
  論文  参考訳（メタデータ） (2022-04-29T20:35:07Z)
• The Statistical Complexity of Interactive Decision Making [126.04974881555094]
  複雑度尺度であるDecision-Estimation Coefficientは,サンプル効率のインタラクティブ学習に必要かつ十分であることが証明された。 統合アルゴリズム設計原則であるE2Dは、教師付き推定のための任意のアルゴリズムを、意思決定のためのオンラインアルゴリズムに変換する。
  論文  参考訳（メタデータ） (2021-12-27T02:53:44Z)
• Decision-Making Algorithms for Learning and Adaptation with Application to COVID-19 Data [46.71828464689144]
  本研究は適応と学習のための新しい意思決定アルゴリズムの開発に焦点を当てている。 重要な観察は、推定と決定の問題は構造的に異なるため、前者で成功したアルゴリズムは決定の問題を調整してもうまく機能しないということである。
  論文  参考訳（メタデータ） (2020-12-14T18:24:45Z)
• A black-box adversarial attack for poisoning clustering [78.19784577498031]
  本稿では,クラスタリングアルゴリズムのロバスト性をテストするために,ブラックボックス対逆攻撃法を提案する。 我々の攻撃は、SVM、ランダムフォレスト、ニューラルネットワークなどの教師付きアルゴリズムに対しても転送可能であることを示す。
  論文  参考訳（メタデータ） (2020-09-09T18:19:31Z)
• A Case for Humans-in-the-Loop: Decisions in the Presence of Erroneous Algorithmic Scores [85.12096045419686]
  本研究では,児童虐待のホットラインスクリーニング決定を支援するアルゴリズムツールの採用について検討した。 まず、ツールがデプロイされたときに人間が行動を変えることを示します。 表示されたスコアが誤ったリスク推定である場合、人間はマシンの推奨に従わない可能性が低いことを示す。
  論文  参考訳（メタデータ） (2020-02-19T07:27:32Z)

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。