論文の概要: L2CU: Learning to Complement Unseen Users

• arxiv url: http://arxiv.org/abs/2601.06119v1
• Date: Sat, 03 Jan 2026 20:30:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.588945
• Title: L2CU: Learning to Complement Unseen Users
• Title（参考訳）: L2CU: 目に見えないユーザを補完する学習
• Authors: Dileepa Pitawela, Gustavo Carneiro, Hsiang-Ting Chen,
• Abstract要約: L2CUは人間とAIの協調的な分類のための新しいフレームワークである。 スパースでノイズの多いユーザアノテーションによって、L2CUは異なるラベリングパターンをキャプチャする代表アノテータプロファイルを識別する。 これらのプロファイルに未確認のユーザをマッチングすることで、L2CUはプロファイル固有のモデルを活用してユーザを補完し、より優れた関節精度を実現する。
• 参考スコア（独自算出の注目度）: 15.25018543473196
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent research highlights the potential of machine learning models to learn to complement (L2C) human strengths; however, generalizing this capability to unseen users remains a significant challenge. Existing L2C methods oversimplify interaction between human and AI by relying on a single, global user model that neglects individual user variability, leading to suboptimal cooperative performance. Addressing this, we introduce L2CU, a novel L2C framework for human-AI cooperative classification with unseen users. Given sparse and noisy user annotations, L2CU identifies representative annotator profiles capturing distinct labeling patterns. By matching unseen users to these profiles, L2CU leverages profile-specific models to complement the user and achieve superior joint accuracy. We evaluate L2CU on datasets (CIFAR-10N, CIFAR-10H, Fashion-MNIST-H, Chaoyang and AgNews), demonstrating its effectiveness as a model-agnostic solution for improving human-AI cooperative classification.
• Abstract（参考訳）: 近年の研究では、機械学習モデルが人間の強み(L2C)を補完する可能性を強調している。 既存のL2Cメソッドは、個々のユーザ変動を無視した単一のグローバルなユーザモデルに頼ることで、人間とAI間のインタラクションを単純化し、最適なコラボレーションパフォーマンスをもたらす。 そこで,L2CUを紹介した。L2CUは人間とAIの協調的な分類のための新しいL2Cフレームワークである。 スパースでノイズの多いユーザアノテーションによって、L2CUは異なるラベリングパターンをキャプチャする代表アノテータプロファイルを識別する。 これらのプロファイルに未確認のユーザをマッチングすることで、L2CUはプロファイル固有のモデルを活用してユーザを補完し、より優れた関節精度を実現する。 L2CUをデータセット(CIFAR-10N, CIFAR-10H, Fashion-MNIST-H, Chaoyang, AgNews)上で評価し,人間とAIの協調分類を改善するためのモデルに依存しないソリューションとしての有効性を示した。

関連論文リスト

• Learning to summarize user information for personalized reinforcement learning from human feedback [19.859785715555013]
  Preference Learning Using Summarization (PLUS) は、強化学習を用いて、各ユーザの好みのテキストベースの要約を生成する。 ユーザサマリゼーションモデルと報酬モデルの両方を同時にトレーニングし、オンラインのコ適応ループを作成する。 PLUSはユーザの好みを多様に把握し,報奨モデルの精度を11～77%向上することを示す。
  論文  参考訳（メタデータ） (2025-07-17T23:48:51Z)
• LLM-Driven Dual-Level Multi-Interest Modeling for Recommendation [12.89199121698673]
  大規模言語モデル (LLM) は、その豊富な知識と強力な推論能力により、多言語分析において大きな可能性を示す。 より効果的なレコメンデーションのためのLLM駆動型デュアルレベル多目的モデリングフレームワークを提案する。 実世界のデータセットの実験は、最先端の手法に対する我々のアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2025-07-15T02:13:54Z)
• Learning to Complement and to Defer to Multiple Users [19.22186542262498]
  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。
  論文  参考訳（メタデータ） (2024-07-09T16:16:44Z)
• Efficient Adaptive Human-Object Interaction Detection with Concept-guided Memory [64.11870454160614]
  概念誘導メモリ(ADA-CM)を用いた適応型HOI検出器を提案する。 ADA-CMには2つの操作モードがある。最初のモードでは、トレーニング不要のパラダイムで新しいパラメータを学習することなくチューニングできる。 提案手法は, HICO-DET と V-COCO のデータセットに対して, より少ないトレーニング時間で, 最新技術による競合的な結果を得る。
  論文  参考訳（メタデータ） (2023-09-07T13:10:06Z)
• Symbolic Learning to Optimize: Towards Interpretability and Scalability [113.23813868412954]
  近年のL2O(Learning to Optimize)研究は,複雑なタスクに対する最適化手順の自動化と高速化に期待できる道のりを示唆している。 既存のL2Oモデルは、ニューラルネットワークによる最適化ルールをパラメータ化し、メタトレーニングを通じてそれらの数値ルールを学ぶ。 本稿では,L2Oの総合的な記号表現と解析の枠組みを確立する。 そこで本稿では,大規模問題にメタトレーニングを施す軽量なL2Oモデルを提案する。
  論文  参考訳（メタデータ） (2022-03-13T06:04:25Z)
• The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
  クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。 我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。 我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
  論文  参考訳（メタデータ） (2022-03-10T23:35:00Z)
• Model Learning with Personalized Interpretability Estimation (ML-PIE) [2.862606936691229]
  ハイステークアプリケーションは、AI生成モデルを解釈可能にする必要がある。 解釈可能なモデルの合成のための現在のアルゴリズムは、目的や正規化項に依存する。 本稿では,ユーザ向けにカスタマイズされたモデルの合成手法を提案する。
  論文  参考訳（メタデータ） (2021-04-13T09:47:48Z)
• BCFNet: A Balanced Collaborative Filtering Network with Attention Mechanism [106.43103176833371]
  協調フィルタリング(CF)ベースの推奨方法が広く研究されている。 BCFNet(Balanced Collaborative Filtering Network)という新しい推薦モデルを提案する。 さらに注意機構は、暗黙のフィードバックの中で隠れた情報をよりよく捉え、ニューラルネットワークの学習能力を強化するように設計されている。
  論文  参考訳（メタデータ） (2021-03-10T14:59:23Z)
• Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
  教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。 Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。 4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-23T13:16:34Z)
• Towards Open-World Recommendation: An Inductive Model-based Collaborative Filtering Approach [115.76667128325361]
  推奨モデルは、基礎となるユーザの関心を効果的に見積もり、将来の行動を予測することができる。 2つの表現モデルを含む帰納的協調フィルタリングフレームワークを提案する。 本モデルでは,限られたトレーニングレーティングと新規の未確認ユーザを対象に,数ショットのユーザに対して有望なレコメンデーションを行う。
  論文  参考訳（メタデータ） (2020-07-09T14:31:25Z)

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。