論文の概要: Overcoming the Incentive Collapse Paradox

• arxiv url: http://arxiv.org/abs/2603.27049v1
• Date: Fri, 27 Mar 2026 23:37:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.753543
• Title: Overcoming the Incentive Collapse Paradox
• Title（参考訳）: インセンティブ崩壊パラドックスの克服
• Authors: Qichuan Yin, Ziwei Su, Shuangning Li,
• Abstract要約: AIの精度が向上するにつれて、ポジティブな人間の努力を維持するには、無制限の支払いが必要である。 本稿では,人的努力の厳密な肯定的かつコントロール可能なレベルを強制するセンチネル監査方式を提案する。 実験では、標準的なアクティブラーニングや監査のみのベースラインと比較して、コストエラーのトレードオフが改善された。
• 参考スコア（独自算出の注目度）: 1.529342790344802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-assisted task delegation is increasingly common, yet human effort in such systems is costly and typically unobserved. Recent work by Bastani and Cachon (2025); Sambasivan et al. (2021) shows that accuracy-based payment schemes suffer from incentive collapse: as AI accuracy improves, sustaining positive human effort requires unbounded payments. We study this problem in a budget-constrained principal-agent framework with strategic human agents whose output accuracy depends on unobserved effort. We propose a sentinel-auditing payment mechanism that enforces a strictly positive and controllable level of human effort at finite cost, independent of AI accuracy. Building on this incentive-robust foundation, we develop an incentive-aware active statistical inference framework that jointly optimizes (i) the auditing rate and (ii) active sampling and budget allocation across tasks of varying difficulty to minimize the final statistical loss under a single budget. Experiments demonstrate improved cost-error tradeoffs relative to standard active learning and auditing-only baselines.
• Abstract（参考訳）: AI支援タスクデリゲーションはますます一般的になっているが、そのようなシステムにおける人間の努力はコストが高く、一般的には観察されていない。 Bastani and Cachon(2025年)、Sambasivan et al(2021年)による最近の研究は、精度に基づく支払い方式がインセンティブの崩壊に苦しむことを示している。 本研究では, 生産精度が観測不能な作業に依存する戦略的人的エージェントによる予算制約付き主エージェントフレームワークを用いて, この問題について検討する。 本稿では,AIの精度によらず,厳格に肯定的かつ制御可能な人的努力を有限コストで実施するセンチネル監査方式を提案する。 このインセンティブ・ロバストの基礎の上に構築し、共同で最適化するインセンティブ・アウェアなアクティブな統計的推論フレームワークを開発する。 (i)監査率及び監査率 二 一つの予算の下での最終的な統計損失を最小限に抑えるため、様々な困難を伴う課題にまたがるアクティブサンプリング及び予算配分。 実験では、標準的なアクティブラーニングや監査のみのベースラインと比較して、コストエラーのトレードオフが改善された。

関連論文リスト

• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• Conformal Thinking: Risk Control for Reasoning on a Compute Budget [60.65072883773352]
  大規模言語モデル(LLM)の推論により、トークンの予算が増加するにつれて、データセットレベルの精度が向上する。 我々は、予算設定問題をリスクコントロールとして再設定し、計算を最小化しながらエラー率を制限する。 我々のフレームワークは、モデルが自信のあるときに推論を停止する上位しきい値と、未解決のインスタンスを事前に停止させる新しい下位しきい値を導入する。
  論文  参考訳（メタデータ） (2026-02-03T18:17:22Z)
• Verified Critical Step Optimization for LLM Agents [67.05296684575445]
  クリティカルステップ最適化は、検証されたクリティカルステップに優先学習を集中する。 メソッドは、専門家のデモンストレーションではなく、失敗するポリシーの軌道から始まります。 GAIA-Text-103とXBench-DeepSearchの実験では、CSOはSFTベースラインよりも37%、相対的に26%改善している。
  論文  参考訳（メタデータ） (2026-02-03T11:41:02Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• Cost-Optimal Active AI Model Evaluation [71.2069549142394]
  生成AIシステムの開発には、継続的な評価、データ取得、アノテーションが必要である。 我々は、安価だがしばしば不正確で弱いレーダの使用を積極的にバランスさせる新しいコスト認識手法を開発した。 我々は、弱者と強者の間で所定のアノテーション予算を割り当てるためのコスト最適化政策のファミリーを導出する。
  論文  参考訳（メタデータ） (2025-06-09T17:14:41Z)
• Control Tax: The Price of Keeping AI in Check [22.94651464417764]
  我々は、AIパイプラインに制御手段を統合するための運用的および財政的コストである制御税の概念を導入する。 我々は,現在最先端の言語モデルに関する総合的な評価を,敵対的設定で実施する。 制御プロトコルに対する実証的な金銭的コスト見積を行い、最適化されたモニタリング戦略を開発する。
  論文  参考訳（メタデータ） (2025-06-05T17:48:39Z)
• Looking for Attention: Randomized Attention Test Design for Validator Monitoring in Optimistic Rollups [2.6090272256641813]
  本稿では、最適ロールアップ(ORU)におけるバリデータに対する確率論的挑戦を目的とした新しいプロトコルであるランダム化注意テスト(RAT)を紹介する。 我々のゲーム理論分析は、すべてのバリデータに注意を払い、提案者が正直な理想的なセキュリティ均衡をRATで達成できることを実証している。
  論文  参考訳（メタデータ） (2025-05-30T09:24:09Z)
• Steering No-Regret Agents in MFGs under Model Uncertainty [19.845081182511713]
  本研究では,密度非依存遷移を伴う平均フィールドゲームにおけるステアリング報酬の設計について検討する。 我々は,エージェントの行動と所望の行動との累積的ギャップについて,サブ線形後悔の保証を確立する。 本研究は, 不確実な大人口システムにおいて, エージェントの操舵行動に有効な枠組みを提案する。
  論文  参考訳（メタデータ） (2025-03-12T12:02:02Z)
• Inducing Equilibria via Incentives: Simultaneous Design-and-Play Finds Global Optima [114.31577038081026]
  本稿では,デザイナーとエージェントの問題を同時に1ループで解くための効率的な手法を提案する。 設計者は平衡問題を何度も解決しないが、エージェントに対するインセンティブの全体的な影響を予測できる。 このアルゴリズムは,幅広い種類のゲームに対して,サブ線形速度で大域的最適値に収束することを示す。
  論文  参考訳（メタデータ） (2021-10-04T06:53:59Z)

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。