論文の概要: Algorithmic Feature Highlighting for Human-AI Decision-Making

• arxiv url: http://arxiv.org/abs/2604.22236v1
• Date: Fri, 24 Apr 2026 05:23:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.351824
• Title: Algorithmic Feature Highlighting for Human-AI Decision-Making
• Title（参考訳）: ヒューマンAI意思決定のためのアルゴリズム的特徴強調
• Authors: Yifan Guo, Jann Spiess,
• Abstract要約: 我々は,人的配慮のためのケース特化機能の小さなサブセットを強調するアルゴリズムについて検討する。 中心的な問題は、人間がアルゴリズムのフィーチャの選択をどう解釈するかである。 洗練されたエージェントのハイライトを最適化することは、計算的に難解であることを示す。
• 参考スコア（独自算出の注目度）: 2.7830690575074435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human decision-makers often face choices about complex cases with many potentially relevant features, but limited bandwidth to inspect and integrate all available information. In such settings, we study algorithms that highlight a small subset of case-specific features for human consideration, rather than producing a single prediction or recommendation. We model highlighting as a constrained information policy that selects a small number of features to reveal. A central issue is how humans interpret the algorithm's choice of features: a sophisticated agent correctly conditions on the selection rule, while a naive agent updates only on revealed feature values and treats the selection event as exogenous. We show that optimizing highlighting for sophisticated agents can be computationally intractable, even in simple discrete and binary settings, whereas optimizing for naive agents is tractable as long as the maximal bandwidth is fixed. We also show that a highlighting policy that is optimal for sophisticated agents can perform arbitrarily poorly when deployed to naive agents, motivating robust, implementable alternatives. We illustrate our framework in a calibrated empirical exercise based on the American Housing Survey. Overall, our results establish the value of highlighting a context-specific set of features rather than a fixed one as a practically appealing and computationally feasible tool for achieving human-algorithm complementarity.
• Abstract（参考訳）: 人間の意思決定者は、多くの潜在的な機能を持つ複雑なケースの選択に直面することが多いが、利用可能なすべての情報を検査し統合するための帯域幅は限られている。 このような環境では、単一の予測やレコメンデーションを生成するのではなく、ケース固有の機能の小さなサブセットを人間の考慮のために強調するアルゴリズムについて検討する。 我々は,少数の特徴を抽出する制約付き情報ポリシーとしてハイライトをモデル化する。 中心的な問題は、人間がアルゴリズムの特徴の選択をどう解釈するかである:洗練されたエージェントが選択規則を正しく条件付けし、単純エージェントが明らかにされた特徴値のみを更新し、選択イベントを外生的に扱う。 単純な離散的・二元的設定であっても、洗練されたエージェントのハイライトの最適化は計算可能であり、一方、ナイーブエージェントの最適化は、最大帯域幅が固定されている限り、トラクタブルであることを示す。 また、高度エージェントに最適なハイライトポリシーは、単純エージェントにデプロイされた場合、任意に貧弱に動作し、堅牢で実装可能な代替手段を動機付けることも示している。 我々は,この枠組みをアメリカン・ハウジング・サーベイ(American Housing Survey)に基づく校正的実証演習で説明する。 全体として,本研究は,人間とアルゴリズムの相補性を達成するための,現実的に魅力的かつ計算可能なツールとして,固定機能ではなく,コンテキスト固有の特徴セットを強調表示する価値を定めている。

関連論文リスト

• Outsourced Privacy-Preserving Feature Selection Based on Fully Homomorphic Encryption [0.0]
  特徴選択は、トレーニングデータの一連の機能から意味のあるサブセットを抽出するテクニックである。 本研究では,特徴選択のためのプライバシ保護モデルを提案する。
  論文  参考訳（メタデータ） (2025-05-19T08:55:56Z)
• Satisficing Exploration for Deep Reinforcement Learning [26.73584163318647]
  現実世界の広大さと規模にアプローチする複雑な環境では、最適な性能を達成することは、実際には完全に難易度の高い試みであるかもしれない。 最近の研究は、情報理論から設計エージェントへのツールを活用し、十分な満足や満足のいくソリューションを優先して最適なソリューションを意図的に実現している。 モデルベース計画の必要性を回避し、満足度の高いポリシーを学習できるように、最適な値関数に対する不確実性を直接表現するエージェントを拡張します。
  論文  参考訳（メタデータ） (2024-07-16T21:28:03Z)
• Adaptive Preference Scaling for Reinforcement Learning with Human Feedback [103.36048042664768]
  人間からのフィードバックからの強化学習(RLHF)は、AIシステムと人間の価値を合わせるための一般的なアプローチである。 本稿では,分散ロバスト最適化(DRO)に基づく適応的優先損失を提案する。 提案手法は多用途であり,様々な選好最適化フレームワークに容易に適用可能である。
  論文  参考訳（メタデータ） (2024-06-04T20:33:22Z)
• Experience in Engineering Complex Systems: Active Preference Learning with Multiple Outcomes and Certainty Levels [1.5257326975704795]
  ブラックボックス最適化とは、目的関数と/または制約集合が未知、到達不能、あるいは存在しない問題を指す。 この特定の情報を活用するために、いわゆるActive Preference Learningと呼ばれるアルゴリズムが開発された。 我々のアプローチは、さらなる情報を効果的に活用できるような方法でアルゴリズムを拡張することを目的としている。
  論文  参考訳（メタデータ） (2023-02-27T15:55:37Z)
• An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
  解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。 既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。 本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-07T06:50:27Z)
• Byzantine-Robust Online and Offline Distributed Reinforcement Learning [60.970950468309056]
  本稿では,複数のエージェントが環境を探索し,その経験を中央サーバを通じて伝達する分散強化学習環境について考察する。 エージェントの$alpha$-fractionは敵対的であり、任意の偽情報を報告することができる。 我々は、これらの対立エージェントの存在下で、マルコフ決定プロセスの根底にある準最適政策を特定することを模索する。
  論文  参考訳（メタデータ） (2022-06-01T00:44:53Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• Unpacking the Black Box: Regulating Algorithmic Decisions [1.283555556182245]
  本稿では,貸付,医療検査,雇用などの高額なアプリケーションで使用される「ブラックボックス」アルゴリズムの監視モデルを提案する。 複雑なアルゴリズムを許すことは、福祉を改善することができるが、その利益は規制当局の規制方法に依存する。
  論文  参考訳（メタデータ） (2021-10-05T23:20:25Z)
• Adversarial Option-Aware Hierarchical Imitation Learning [89.92994158193237]
  提案するOption-GAILは,遠隔地平線でスキルを学ぶための新しい手法である。 Option-GAILの鍵となる考え方は、タスク階層をオプションでモデル化し、生成的敵最適化を通じてポリシーを訓練することである。 実験によると、Option-GAILはさまざまなタスクにおいて、他のタスクよりも一貫してパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2021-06-10T06:42:05Z)
• Fairness-Aware Unsupervised Feature Selection [37.13136799987164]
  フェアネスを意識した教師なし特徴選択問題のための原則的フレームワークを開発する。 提案するフレームワークは,モデルに依存しないデバイアス戦略とみなすことができる。 複数の実世界のデータセットに対する実験結果から,本フレームワークは実用性と公正性向上の良好なトレードオフを達成できることが示された。
  論文  参考訳（メタデータ） (2021-06-04T02:38:05Z)

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。