論文の概要: Argumentation for Explainable Workforce Optimisation (with Appendix)

• arxiv url: http://arxiv.org/abs/2508.15118v1
• Date: Wed, 20 Aug 2025 23:07:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.119773
• Title: Argumentation for Explainable Workforce Optimisation (with Appendix)
• Title（参考訳）: 説明可能な作業量最適化(Appendix)の解説
• Authors: Jennifer Leigh, Dimitrios Letsios, Alessandro Mella, Lucio Machetti, Francesca Toni,
• Abstract要約: 産業アプリケーションにおける抽象的な議論として労働管理を理解することにより、変化に適応し、忠実な説明を得ることができることを示す。 ユーザスタディでは、手作業による従来のソリューションよりも、私たちのツールと説明がより高速で正確な問題解決につながることが示されています。
• 参考スコア（独自算出の注目度）: 48.82851699514119
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Workforce management is a complex problem optimising the makespan and travel distance required for a team of operators to complete a set of jobs, using a set of instruments. A crucial challenge in workforce management is accommodating changes at execution time so that explanations are provided to all stakeholders involved. Here, we show that, by understanding workforce management as abstract argumentation in an industrial application, we can accommodate change and obtain faithful explanations. We show, with a user study, that our tool and explanations lead to faster and more accurate problem solving than conventional solutions by hand.
• Abstract（参考訳）: ワークフォース・マネジメント(Workforce Management)は、オペレーターのチームが一連のジョブを完了するのに必要となる、マシパンと旅行距離を最適化する複雑な問題である。 労働管理における重要な課題は、関係するすべての利害関係者に説明を提供するために、実行時に変更を収容することである。 ここでは、産業アプリケーションにおける抽象的な議論として労働管理を理解することにより、変化に適応し、忠実な説明を得ることができることを示す。 ユーザスタディでは、手作業による従来のソリューションよりも、私たちのツールと説明がより高速で正確な問題解決につながることが示されています。

関連論文リスト

• DiffVL: Scaling Up Soft Body Manipulation using Vision-Language Driven Differentiable Physics [69.6158232150048]
  DiffVLは、非専門家がソフトボディ操作タスクをコミュニケーションできるようにする手法である。 大規模言語モデルを用いてタスク記述を機械解釈可能な最適化対象に翻訳する。
  論文  参考訳（メタデータ） (2023-12-11T14:29:25Z)
• Asking Before Acting: Gather Information in Embodied Decision Making with Language Models [20.282749796376063]
  本研究では,Large Language Models (LLM) が,不慣れな環境で重要な情報を効率的に収集する上で,課題に直面していることを示す。 我々は,自然言語を用いた関連する情報に対して,エージェントが外部ソースと積極的に問い合わせることを可能にする方法であるtextitAsking Before Acting (ABA)を提案する。 本研究では,テキストベースの日常タスク,ロボットアーム操作タスク,実世界のオープンドメインイメージベース実施タスクを含む,幅広い環境実験を行う。
  論文  参考訳（メタデータ） (2023-05-25T04:05:08Z)
• Unveiling the Potential of Counterfactuals Explanations in Employability [0.0]
  本稿では,機械学習アルゴリズムに関わる雇用性関連問題に対して,その対策が適用可能であることを示す。 提示されたユースケースは、説明として反事実の応用以上のものだ。
  論文  参考訳（メタデータ） (2023-05-17T09:13:53Z)
• A Closer Look at Reward Decomposition for High-Level Robotic Explanations [18.019811754800767]
  本稿では、報酬分解と抽象的な行動空間を組み合わせたQ-Map学習フレームワークを提案する。 本稿では,2つのロボットシナリオの定量的,定性的な分析を通じて,本フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2023-04-25T16:01:42Z)
• GANterfactual-RL: Understanding Reinforcement Learning Agents' Strategies through Visual Counterfactual Explanations [0.7874708385247353]
  本稿では,RLエージェントの反実的説明を生成する手法を提案する。 本手法は完全にモデルに依存しないので,いくつかの計算量において,従来の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-24T15:29:43Z)
• Assisting Human Decisions in Document Matching [52.79491990823573]
  我々は,意思決定者のパフォーマンスを向上する支援情報の種類を評価するためのプロキシマッチングタスクを考案した。 ブラックボックスモデルによる説明を提供することで,マッチング作業におけるユーザの精度が低下することが判明した。 一方,タスク固有のデシラタに密接に対応するように設計されたカスタムメソッドは,ユーザのパフォーマンス向上に有効であることが判明した。
  論文  参考訳（メタデータ） (2023-02-16T17:45:20Z)
• Complementary Explanations for Effective In-Context Learning [77.83124315634386]
  大規模言語モデル (LLM) は、説明のインプロンプトから学習する際、顕著な能力を示した。 この研究は、文脈内学習に説明が使用されるメカニズムをよりよく理解することを目的としている。
  論文  参考訳（メタデータ） (2022-11-25T04:40:47Z)
• Decomposed Prompting: A Modular Approach for Solving Complex Tasks [55.42850359286304]
  本稿では,より単純なサブタスクに分解することで,複雑なタスクを解くための分解プロンプトを提案する。 このモジュール構造は、各プロンプトを特定のサブタスクに最適化することを可能にする。 Decomposed Promptingの柔軟性とモジュラリティは、数発のプロンプトで先行作業より優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-05T17:28:20Z)
• Explaining Preference-driven Schedules: the EXPRES Framework [23.47188079362728]
  EXPRESフレームワークを導入し、与えられた最適なスケジュールで優先権が満足できない理由を説明する。 EXPRESフレームワークは、 (i) 混合整数線形プログラミングモデルに基づいて、不満足な嗜好を説明する最高の理由セットを見つける説明生成器と、 (ii) 生成された説明を人間の解釈可能なものに変換する説明器から構成される。
  論文  参考訳（メタデータ） (2022-03-16T19:15:21Z)

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。