論文の概要: Conformal Set-based Human-AI Complementarity with Multiple Experts

• arxiv url: http://arxiv.org/abs/2508.06997v1
• Date: Sat, 09 Aug 2025 14:17:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.647609
• Title: Conformal Set-based Human-AI Complementarity with Multiple Experts
• Title（参考訳）: 複数の専門家によるコンフォーマルなセットベースヒューマンAI相補性
• Authors: Helbert Paat, Guohao Shen,
• Abstract要約: 本研究は、複数の人間専門家のプールからインスタンス固有の専門家を選定することに焦点を当てる。 我々は、共形集合を利用して、インスタンスの分類に使用される専門家予測のサブセットを識別するグリーディアルゴリズムを導入する。
• 参考スコア（独自算出の注目度）: 1.1510009152620668
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Decision support systems are designed to assist human experts in classification tasks by providing conformal prediction sets derived from a pre-trained model. This human-AI collaboration has demonstrated enhanced classification performance compared to using either the model or the expert independently. In this study, we focus on the selection of instance-specific experts from a pool of multiple human experts, contrasting it with existing research that typically focuses on single-expert scenarios. We characterize the conditions under which multiple experts can benefit from the conformal sets. With the insight that only certain experts may be relevant for each instance, we explore the problem of subset selection and introduce a greedy algorithm that utilizes conformal sets to identify the subset of expert predictions that will be used in classifying an instance. This approach is shown to yield better performance compared to naive methods for human subset selection. Based on real expert predictions from the CIFAR-10H and ImageNet-16H datasets, our simulation study indicates that our proposed greedy algorithm achieves near-optimal subsets, resulting in improved classification performance among multiple experts.
• Abstract（参考訳）: 決定支援システムは、事前訓練されたモデルから導かれた共形予測セットを提供することにより、人間の分類作業の専門家を支援するように設計されている。 この人間とAIのコラボレーションは、モデルまたは専門家を独立して使用するよりも、高度な分類性能を示している。 本研究では、複数の人間の専門家のプールからインスタンス固有の専門家を選ぶことに焦点を当て、通常は単一専門家のシナリオに焦点を当てた既存の研究と対比する。 複数の専門家が共形集合から恩恵を受けることができる条件を特徴付ける。 各インスタンスに関係のある専門家のみが存在するという知見を得て、サブセット選択の問題を探求し、コンフォメーションセットを利用して、インスタンスの分類に使用される専門家予測のサブセットを識別するグリーディアルゴリズムを導入する。 提案手法は,ヒトの部分集合選択法に比べて性能がよいことを示す。 CIFAR-10H と ImageNet-16H のデータセットからの実際の専門家予測に基づいて,提案アルゴリズムが準最適部分集合を実現し,複数の専門家間での分類性能が向上したことを示す。

関連論文リスト

• Bayesian Inference for Correlated Human Experts and Classifiers [15.98474253538141]
  そこで本研究では,クラスラベルの予測に専門家に問い合わせることの問題点について,できるだけ少ない人的クエリを用いて検討する。 この問題に対する一般的なベイズ的枠組みを開発し、連立潜在表現による専門家相関をモデル化する。 我々は,CIFAR-10H と ImageNet-16H の2つの実世界の医学分類問題に適用する。
  論文  参考訳（メタデータ） (2025-06-05T23:39:41Z)
• Convergence Rates for Softmax Gating Mixture of Experts [78.3687645289918]
  機械学習モデルの効率性とスケーラビリティを向上するための効果的なフレームワークとして、Mixture of Expert (MoE)が登場した。 MoEの成功の中心は、適応的なソフトマックスゲーティングメカニズムであり、各専門家の入力に対する関連性を決定する責任を負い、それぞれの重みを動的に専門家に割り当てる。 標準ソフトマックスゲーティングまたはその変種を備えたMoEの下で,パラメータ推定と専門家推定の収束解析を行い,密度とスパースゲーティングと階層ソフトマックスゲーティングを含む。
  論文  参考訳（メタデータ） (2025-03-05T06:11:24Z)
• Mixture of Efficient Diffusion Experts Through Automatic Interval and Sub-Network Selection [63.96018203905272]
  本稿では, 事前学習した拡散モデルを用いて, 効率の良い専門家の混入を図り, サンプリングコストを削減することを提案する。 提案手法であるDiffPruningの有効性を,複数のデータセットで示す。
  論文  参考訳（メタデータ） (2024-09-23T21:27:26Z)
• Inverse Reinforcement Learning with Sub-optimal Experts [56.553106680769474]
  与えられた専門家の集合と互換性のある報酬関数のクラスの理論的性質について検討する。 以上の結果から,複数の準最適専門家の存在が,相反する報酬の集合を著しく減少させる可能性が示唆された。 我々は,最適なエージェントの1つに十分近い準最適専門家のパフォーマンスレベルが最適である場合に,最小限の最適化を行う一様サンプリングアルゴリズムを解析する。
  論文  参考訳（メタデータ） (2024-01-08T12:39:25Z)
• Bayesian Online Learning for Consensus Prediction [16.890828000688174]
  本稿では,部分フィードバックから専門家のコンセンサスを動的に推定する手法の一群を提案する。 我々は,CIFAR-10H と ImageNet-16H の様々なベースラインに対して,我々のフレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2023-12-12T19:18:04Z)
• Diversified Dynamic Routing for Vision Tasks [36.199659460868496]
  本稿では,各レイヤが専門家の集合で構成された新しいアーキテクチャを提案する。 本手法では,データのパーティショニングに関する課題を解決するために,モデルを明示的に訓練する。 都市景観のセマンティックセグメンテーションとMS-COCOのオブジェクト検出とインスタンスセグメンテーションについていくつかの実験を行った。
  論文  参考訳（メタデータ） (2022-09-26T23:27:51Z)
• Forming Effective Human-AI Teams: Building Machine Learning Models that Complement the Capabilities of Multiple Experts [0.0]
  複数の専門家の能力を補うために分類モデルを訓練する手法を提案する。 提案手法を,複数の放射線学者による「合成」の専門家と実世界の医療データセットを用いた公開データセットの実験で評価した。
  論文  参考訳（メタデータ） (2022-06-16T06:42:10Z)
• 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)
• On the Representation Collapse of Sparse Mixture of Experts [102.83396489230375]
  専門家のまばらな混合は、一定の計算オーバーヘッドを必要としながら、より大きなモデルキャパシティを提供する。 入力トークンを隠された表現に従ってベストマッチした専門家に分散するためにルーティング機構を使用する。 しかし、そのようなルーティングメカニズムを学ぶことで、専門家のセントロイドを中心にトークンのクラスタリングが促進され、表現の崩壊の傾向が示唆される。
  論文  参考訳（メタデータ） (2022-04-20T01:40:19Z)
• 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。