Fugu-MT 論文翻訳(概要): Learning to Complement and to Defer to Multiple Users

論文の概要: Learning to Complement and to Defer to Multiple Users

arxiv url: http://arxiv.org/abs/2407.07003v1
Date: Tue, 9 Jul 2024 16:16:44 GMT
ステータス: 処理完了
システム内更新日: 2024-07-10 17:27:33.664542
Title: Learning to Complement and to Defer to Multiple Users
Title（参考訳）: 補うことを学び、複数のユーザーを守る
Authors: Zheng Zhang, Wenjie Ai, Kevin Wells, David Rosewarne, Thanh-Toan Do, Gustavo Carneiro,
Abstract要約: Human-AI Collaboration in Classification (HAI-CC)は、ユーザとAI予測を統合することを目的としている。 LECODUは、学習と補完と学習を組み合わせて戦略を遅延させる。決定プロセスに携わる最適なユーザ数を推定する。総合評価では、LECODUは最先端のHAI-CC法と比較して優れた性能を示した。
参考スコア（独自算出の注目度）: 19.22186542262498
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: With the development of Human-AI Collaboration in Classification (HAI-CC), integrating users and AI predictions becomes challenging due to the complex decision-making process. This process has three options: 1) AI autonomously classifies, 2) learning to complement, where AI collaborates with users, and 3) learning to defer, where AI defers to users. Despite their interconnected nature, these options have been studied in isolation rather than as components of a unified system. In this paper, we address this weakness with the novel HAI-CC methodology, called Learning to Complement and to Defer to Multiple Users (LECODU). LECODU not only combines learning to complement and learning to defer strategies, but it also incorporates an estimation of the optimal number of users to engage in the decision process. The training of LECODU maximises classification accuracy and minimises collaboration costs associated with user involvement. Comprehensive evaluations across real-world and synthesized datasets demonstrate LECODU's superior performance compared to state-of-the-art HAI-CC methods. Remarkably, even when relying on unreliable users with high rates of label noise, LECODU exhibits significant improvement over both human decision-makers alone and AI alone.
Abstract（参考訳）: HAI-CC(Human-AI Collaboration in Classification)の開発により、複雑な意思決定プロセスのため、ユーザとAIの予測の統合が困難になる。このプロセスには3つのオプションがある。 1)AIは自律的に分類する。 2)AIがユーザと協力し,補完することを学ぶ。 3)AIがユーザにデフェクトする遅延学習。相互接続の性質にもかかわらず、これらの選択肢は統一システムの構成要素としてではなく、独立に研究されている。本稿では,この弱点を,Learning to Complement and to Defer to Multiple Users (LECODU) と呼ばれる新しいHAI-CC方法論を用いて解決する。 LECODUは、学習を補完と学習に組み合わせて戦略を遅延させるだけでなく、意思決定プロセスに携わる最適なユーザ数を推定する。 LECODUのトレーニングは、分類精度を最大化し、ユーザの関与に伴うコラボレーションコストを最小限にする。実世界のデータセットと合成データセットの総合的な評価は、最先端のHAI-CC手法と比較してLECODUの優れた性能を示している。注目すべきは、ラベルノイズの頻度の高い信頼性の低いユーザを頼りにしている場合でも、LECODUは人間の意思決定者単独とAI単独よりも大幅に改善されていることだ。

関連論文リスト

Coverage-Constrained Human-AI Cooperation with Multiple Experts [21.247853435529446]
本稿では,CL2DC法(Coverage-Constrained Learning to Defer and Complement with Specific Experts)を提案する。 CL2DCは、AI予測単独または特定の専門家に延期または補完することで、最終的な決定を行う。最先端のHAI-CC法に比べて優れた性能を発揮する。
論文参考訳（メタデータ） (2024-11-18T19:06:01Z)
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)
Learning to Complement with Multiple Humans [21.247853435529446]
本稿では,LECOMH(Learning to Complement with Multiple Humans)アプローチを紹介する。 LECOMHは、クリーンなラベルに依存することなくノイズの多いラベルから学習し、協調的精度を最大化するように設計されている。 HAI-CC法を評価するために, トレーニングとテストの両方のための複数のノイズラベルを特徴とする新しいベンチマークを提案する。
論文参考訳（メタデータ） (2023-11-22T05:31:06Z)
Improving Generalization of Alignment with Human Preferences through Group Invariant Learning [56.19242260613749]
Reinforcement Learning from Human Feedback (RLHF) は、人間の好みに合わせた反応の生成を可能にする。以前の研究は、強化学習(RL)がしばしばショートカットを利用して高い報酬を獲得し、挑戦的なサンプルを見落としていることを示している。本稿では,複数のデータグループやドメインにまたがる一貫したポリシをRLで学習する,新しいアプローチを提案する。
論文参考訳（メタデータ） (2023-10-18T13:54:15Z)
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)
Learning Complementary Policies for Human-AI Teams [22.13683008398939]
本稿では,効果的な行動選択のための新しい人間-AI協調のための枠組みを提案する。私たちのソリューションは、人間とAIの相補性を利用して意思決定報酬を最大化することを目的としています。
論文参考訳（メタデータ） (2023-02-06T17:22:18Z)
Advancing Human-AI Complementarity: The Impact of User Expertise and Algorithmic Tuning on Joint Decision Making [10.890854857970488]
ユーザのドメイン知識、AIシステムのメンタルモデル、レコメンデーションへの信頼など、多くの要因がヒューマンAIチームの成功に影響を与える可能性がある。本研究は,非自明な血管ラベル作成作業において,血管が流れているか停止しているかを被験者に示すことを目的とした。以上の結果から,AI-Assistantからの推薦はユーザの意思決定に役立つが,AIに対するユーザベースラインのパフォーマンスや,AIエラー型の相補的チューニングといった要因は,チーム全体のパフォーマンスに大きな影響を及ぼすことが示された。
論文参考訳（メタデータ） (2022-08-16T21:39:58Z)
Human Decision Makings on Curriculum Reinforcement Learning with Difficulty Adjustment [52.07473934146584]
我々は,カリキュラム強化学習結果を,人的意思決定プロセスから学ぶことで,難しすぎず,難しすぎるような望ましいパフォーマンスレベルに導く。本システムは非常に並列化可能であり,大規模強化学習アプリケーションの訓練が可能となる。強化学習性能は、人間の所望の難易度と同期してうまく調整できることが示される。
論文参考訳（メタデータ） (2022-08-04T23:53:51Z)
Data-driven Koopman Operators for Model-based Shared Control of Human-Machine Systems [66.65503164312705]
本稿では,データ駆動型共有制御アルゴリズムを提案する。ユーザのインタラクションに関するダイナミクスと情報は、Koopman演算子を使用して観察から学習される。モデルに基づく共有制御は、自然な学習やユーザのみの制御パラダイムと比較して、タスクとコントロールのメトリクスを著しく改善する。
論文参考訳（メタデータ） (2020-06-12T14:14:07Z)
Is the Most Accurate AI the Best Teammate? Optimizing AI for Teamwork [54.309495231017344]
AIシステムは人間中心の方法でトレーニングされ、チームのパフォーマンスに直接最適化されるべきである、と私たちは主張する。我々は,AIレコメンデーションを受け入れるか,あるいはタスク自体を解決するかを選択する,特定のタイプのAIチームを提案する。実世界の高精度データセット上での線形モデルと非線形モデルによる実験は、AIが最も正確であることは、最高のチームパフォーマンスに繋がらないことを示している。
論文参考訳（メタデータ） (2020-04-27T19:06:28Z)
Human AI interaction loop training: New approach for interactive reinforcement learning [0.0]
機械学習の様々な意思決定タスクにおける強化学習(RL)は、スタンドアロンの報酬関数から学習するエージェントによる効果的な結果を提供する。 RLは、多くの環境状態と行動空間、および報酬の決定に固有の課題を提示する。イミテーションラーニング(IL)は、教師を使った課題に対して有望な解決策を提供する。
論文参考訳（メタデータ） (2020-03-09T15:27:48Z)

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。