論文の概要: Deployment of AI-Assisted Interventions: Capacity Constraints and Noisy Compliance

• arxiv url: http://arxiv.org/abs/2604.14370v1
• Date: Wed, 15 Apr 2026 19:40:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.580494
• Title: Deployment of AI-Assisted Interventions: Capacity Constraints and Noisy Compliance
• Title（参考訳）: AI支援インターベンションの展開:容量制約とノイズコンプライアンス
• Authors: Carri W. Chan, Yi Han, Hannah Li, Benjamin L. Ranard,
• Abstract要約: 予測精度のみに基づく政策は概して準最適であることを示す。 そこで我々は,新しいメトリック-オペティショナルAUCを導入し,最適なアルゴリズム選択につながることを示す。
• 参考スコア（独自算出の注目度）: 1.535642649272052
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI tools increasingly guide targeted interventions in healthcare, education, and recruiting. Algorithms score individuals, trigger outreach to those above a threshold (e.g., high-risk or high-value), and encourage them to request service; then providers deliver service to those who request. Standard practice sets the threshold and selects the algorithm to maximize predictive accuracy, assuming that better predictions yield better outcomes. We show that this approach is suboptimal when limited service capacity and probabilistic behavioral responses influence who receives service. In such settings, the optimal score threshold must balance two effects: ensuring all capacity is filled (utilization) and ensuring high-value individuals are served despite competition between requests (cannibalization). We characterize the optimal threshold and prove that policies based solely on predictive accuracy are generally suboptimal. Further, because optimal thresholds vary with service capacity, algorithm selection metrics like AUC, which weight all thresholds equally, are misaligned with operational performance. We introduce a new metric--Operational AUC (OpAUC)--and show it leads to optimal algorithm selection. Finally, we conduct a case study on sepsis early warning data and illustrate the magnitude of improvement that can be achieved from improved threshold and algorithm selection.
• Abstract（参考訳）: AIツールはますます、医療、教育、採用におけるターゲットの介入をガイドしている。 アルゴリズムは個人をスコアし、しきい値以上のもの(リスクの高いものや高いもの)にアウトリーチをトリガーし、サービスを要求するように促します。 標準的なプラクティスでは、より良い予測がより良い結果をもたらすと仮定して、しきい値を設定し、予測精度を最大化するアルゴリズムを選択する。 サービス容量の制限と確率的行動応答がサービス受信者に影響を与える場合,このアプローチが最適でないことを示す。 このような設定では、最適なスコア閾値は、すべてのキャパシティが満たされていること(利用)と、リクエスト間の競合(共食い)にもかかわらず、高価値の個人が提供されること(共食い)の2つの効果のバランスをとる必要がある。 最適しきい値を特徴付け、予測精度のみに基づくポリシーが概ね最適でないことを示す。 さらに、最適なしきい値がサービスのキャパシティによって異なるため、すべてのしきい値を均等に重み付けているAUCのようなアルゴリズム選択メトリクスは、運用パフォーマンスと不一致である。 我々は,OpAUC (Operational AUC) を新たに導入し,最適化アルゴリズムの選択に繋がることを示す。 最後に,セシス早期警報データに関するケーススタディを行い,しきい値の改善とアルゴリズムの選択によって達成できる改善の規模について述べる。

関連論文リスト

• Resource-efficient quantum approximate optimization algorithm via Bayesian optimization and maximum-probability evaluation [0.15625709395072904]
  本稿では,資源効率のよいQAOAフレームワークを提案する。 提案手法は, 未加重例と加重例の両方に対して, 従来の期待値に匹敵する離散解法品質を達成できることを実証する。
  論文  参考訳（メタデータ） (2026-03-30T13:22:25Z)
• Goal-Oriented Influence-Maximizing Data Acquisition for Learning and Optimization [28.53710231018475]
  逆曲率による不確実性認識を保ちながら、明示的な後部推論を回避する能動的取得アルゴリズムを提案する。 GOIMDAは、ユーザが指定したゴール関数に対する期待する影響を最大化し、入力を選択する。 一般化線形モデルでは,GOIMDA はゴールアライメントと予測バイアスを考慮した補正項までの予測エントロピー最小化を近似する。
  論文  参考訳（メタデータ） (2026-02-23T07:57:11Z)
• Principled Algorithms for Optimizing Generalized Metrics in Binary Classification [53.604375124674796]
  一般化されたメトリクスを最適化するアルゴリズムを導入し、$H$-consistency と finite-sample generalization bounds をサポートする。 提案手法は,メトリクス最適化を一般化したコスト依存学習問題として再検討する。 我々は,理論性能を保証する新しいアルゴリズムMETROを開発した。
  論文  参考訳（メタデータ） (2025-12-29T01:33:42Z)
• On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
  エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。 推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。 本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
  論文  参考訳（メタデータ） (2025-04-02T17:40:47Z)
• Understanding Likelihood Over-optimisation in Direct Alignment Algorithms [20.043560907227018]
  ダイレクトアライメントアルゴリズム(DAA)は、ヒューマンフィードバックによるオンライン強化学習の代替として登場した。 これらのアルゴリズムは、より良い(好ましくない)完了を生成する可能性を高めつつ、悪い(好ましくない)完了を阻止することを目的としている。 本研究は,最先端DAAにおける完成可能性とモデル性能の関係について検討する。
  論文  参考訳（メタデータ） (2024-10-15T15:14:22Z)
• Online Sensitivity Optimization in Differentially Private Learning [8.12606646175019]
  クリッピング閾値を動的に最適化する新しい手法を提案する。 我々は、このしきい値を学習可能なパラメータとして扱い、しきい値とコスト関数のクリーンな関係を確立する。 提案手法は, 多様なデータセット, タスク, モデル次元, プライバシレベルにまたがる代替的かつ適応的な戦略に対して, 徹底的に評価される。
  論文  参考訳（メタデータ） (2023-10-02T00:30:49Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• Efficient and Differentiable Conformal Prediction with General Function Classes [96.74055810115456]
  本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。 本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。 実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
  論文  参考訳（メタデータ） (2022-02-22T18:37:23Z)
• On the Optimality of Batch Policy Optimization Algorithms [106.89498352537682]
  バッチポリシー最適化は、環境と対話する前に既存のデータをポリシー構築に活用することを検討する。 信頼調整インデックスアルゴリズムは楽観的,悲観的,中立的いずれであってもミニマックス最適であることを示す。 最適値予測の本来の難易度を考慮した新しい重み付き最小値基準を提案する。
  論文  参考訳（メタデータ） (2021-04-06T05:23:20Z)
• Double Coverage with Machine-Learned Advice [100.23487145400833]
  オンラインの基本的な$k$-serverの問題を学習強化環境で研究する。 我々のアルゴリズムは任意の k に対してほぼ最適の一貫性-破壊性トレードオフを達成することを示す。
  論文  参考訳（メタデータ） (2021-03-02T11:04:33Z)

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。