論文の概要: Coverage-Constrained Human-AI Cooperation with Multiple Experts

• arxiv url: http://arxiv.org/abs/2411.11976v1
• Date: Mon, 18 Nov 2024 19:06:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-20 13:37:41.534626
• Title: Coverage-Constrained Human-AI Cooperation with Multiple Experts
• Title（参考訳）: 複数の専門家による包括的制約のある人間とAIの連携
• Authors: Zheng Zhang, Cuong Nguyen, Kevin Wells, Thanh-Toan Do, Gustavo Carneiro,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 21.247853435529446
• License:
• Abstract: Human-AI cooperative classification (HAI-CC) approaches aim to develop hybrid intelligent systems that enhance decision-making in various high-stakes real-world scenarios by leveraging both human expertise and AI capabilities. Current HAI-CC methods primarily focus on learning-to-defer (L2D), where decisions are deferred to human experts, and learning-to-complement (L2C), where AI and human experts make predictions cooperatively. However, a notable research gap remains in effectively exploring both L2D and L2C under diverse expert knowledge to improve decision-making, particularly when constrained by the cooperation cost required to achieve a target probability for AI-only selection (i.e., coverage). In this paper, we address this research gap by proposing the Coverage-constrained Learning to Defer and Complement with Specific Experts (CL2DC) method. CL2DC makes final decisions through either AI prediction alone or by deferring to or complementing a specific expert, depending on the input data. Furthermore, we propose a coverage-constrained optimisation to control the cooperation cost, ensuring it approximates a target probability for AI-only selection. This approach enables an effective assessment of system performance within a specified budget. Also, CL2DC is designed to address scenarios where training sets contain multiple noisy-label annotations without any clean-label references. Comprehensive evaluations on both synthetic and real-world datasets demonstrate that CL2DC achieves superior performance compared to state-of-the-art HAI-CC methods.
• Abstract（参考訳）: 人間-AI協調分類(HAI-CC)アプローチは、人間の専門知識とAI能力の両方を活用することによって、さまざまな高い現実シナリオにおける意思決定を強化するハイブリッドインテリジェントシステムを開発することを目的としている。 現在のHAI-CC手法は主に、人間の専門家に決定を延期するL2D(Learning-to-defer)と、AIと人間の専門家が協調して予測を行うLearning-to-complement(L2C)に焦点を当てている。 しかしながら、L2DとL2Cの両方を多種多様な専門家の知識の下で効果的に探索し、意思決定を改善すること、特にAIのみの選択(すなわち、カバレッジ)のターゲット確率を達成するために必要な協力コストに制約された場合において、注目すべき研究ギャップは依然として残っている。 本稿では,Coverage-Constrained Learning to Defer and Complement with Specific Experts (CL2DC)法を提案する。 CL2DCは、入力データに応じて、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により、最終的な決定を行う。 さらに、AIのみの選択のターゲット確率を近似して、協調コストを制御するためのカバレッジ制約付き最適化を提案する。 このアプローチは、特定の予算内でのシステム性能の効果的な評価を可能にする。 また、CL2DCは、クリーンなラベル参照なしで複数のノイズの多いラベルアノテーションを含むトレーニングセットのシナリオに対応するように設計されている。 合成データセットと実世界のデータセットの総合的な評価は、CL2DCが最先端のHAI-CC法よりも優れた性能を発揮することを示している。

関連論文リスト

• A2C: A Modular Multi-stage Collaborative Decision Framework for Human-AI Teams [19.91751748232295]
  A2Cは、AIチーム内で堅牢な意思決定を可能にするために設計された、多段階の共同決定フレームワークである。 決定における不確実性を認識し、必要な時に人間の専門家を軽視するように訓練されたAIシステムが組み込まれている。
  論文  参考訳（メタデータ） (2024-01-25T02:31:52Z)
• FiFAR: A Fraud Detection Dataset for Learning to Defer [9.187694794359498]
  本研究では、銀行口座不正検出データセットであるFiFAR(Financial Fraud Alert Review dataset)を紹介する。 FiFARには、複雑な50人のチームによる予測が含まれている。 我々は,本データセットを用いて,現実的なデータ可用性条件下でのキャパシティを意識したL2D法と拒絶学習手法を開発した。
  論文  参考訳（メタデータ） (2023-12-20T17:36:36Z)
• 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)
• Human-AI Collaboration in Decision-Making: Beyond Learning to Defer [4.874780144224057]
  意思決定における人間-AIコラボレーション(HAIC)は、人間とAIシステム間の相乗的チームを作ることを目的としている。 Learning to Defer(L2D)は、人間とAIのどちらが決定を下すべきかを決定する、有望なフレームワークとして提示されている。 L2Dは、すべてのケースで人間からの予測が利用可能になったり、意思決定者から独立した地道なラベルが利用可能になったりするなど、しばしば実現不可能な要件がいくつか含まれている。
  論文  参考訳（メタデータ） (2022-06-27T11:40:55Z)
• 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)
• When AUC meets DRO: Optimizing Partial AUC for Deep Learning with Non-Convex Convergence Guarantee [51.527543027813344]
  単方向および二方向部分AUC(pAUC)の系統的および効率的な勾配法を提案する。 一方通行と一方通行の pAUC に対して,2つのアルゴリズムを提案し,それぞれ2つの定式化を最適化するための収束性を証明した。
  論文  参考訳（メタデータ） (2022-03-01T01:59:53Z)
• Curriculum Learning for Safe Mapless Navigation [71.55718344087657]
  本研究は,カリキュラム学習(CL)に基づくアプローチがエージェントのパフォーマンスに与える影響について検討する。 特に、ロボットマップレスナビゲーションの安全性に焦点をあて、標準的なエンドツーエンド(E2E)トレーニング戦略と比較する。
  論文  参考訳（メタデータ） (2021-12-23T12:30:36Z)
• 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)

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。