論文の概要: Leverage Laws: A Per-Task Framework for Human-Agent Collaboration

• arxiv url: http://arxiv.org/abs/2604.25040v1
• Date: Mon, 27 Apr 2026 22:43:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.621505
• Title: Leverage Laws: A Per-Task Framework for Human-Agent Collaboration
• Title（参考訳）: Leverage Laws: ヒューマンエージェントコラボレーションのためのタスク単位のフレームワーク
• Authors: Stan Loosmore,
• Abstract要約: 本研究では,タスクごとのレバレッジ比を人間とエージェントのコラボレーションに提案する。 情報密度自体が、人対エージェントフローと人対エージェントフローの別々の天井で区切られていることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a per-task leverage ratio for human-agent collaboration: human work displaced by an agent, divided by the human time required to specify the task, resolve mid-run interrupts, and review the result. The denominator decomposes into three channels through which a conserved per-task information requirement must flow, each with its own time-cost scalar. We show that information density itself is directional and bounded by separate ceilings on human-to-agent and agent-to-human flow, and that the asymptotic behavior of leverage decomposes into two scaling axes (capability and memory) with a non-zero floor on the planning term set by irreducible task novelty bounded by human throughput. We extend this per-task analysis to a windowed leverage measure that accommodates recurring tasks, spawned subtasks, and amortized system-design investment. The per-task ceiling does not bind the windowed measure, though both remain bounded: $L_{\text{task}}$ by per-task novelty, $L_{\text{window}}$ by the stock of accumulated planning investment that pays out within the window. The framework operationalizes aspects of earlier qualitative work on supervisory control (Sheridan, 1992), common ground (Clark & Brennan, 1991), and mixed-initiative interaction (Horvitz, 1999) within a single normative ratio, and produces a list of testable empirical questions that we leave as open problems.
• Abstract（参考訳）: 本研究では,人間とエージェントのコラボレーションにおけるタスクごとのレバレッジ比を提案し,タスクの特定,中間割込みの解決,結果のレビューを行う。 分母は3つのチャネルに分解され、保存されたタスクごとの情報要求が流れなければならない。 本研究では,情報密度自体が人-人-人-人-人-人-の流れの異なる天井で区切られていること,また,人間のスループットに縛られた既約タスクの新規性によって設定された計画項において,非ゼロフロアの2つのスケーリング軸(能力と記憶)にレバレッジの漸近挙動が分解されることを示す。 このタスク毎の分析をウィンドウ化されたレバレッジ尺度に拡張し、繰り返しタスク、サブタスクの生成、システム設計投資の償却を行う。 L_{\text{task}}$ by per-task novelty, $L_{\text{window}}$ by the stock of accumulated planning investment that pays out in the window。 このフレームワークは、監視制御に関する初期の定性的な研究(Sheridan, 1992)、共通基盤(Clark & Brennan, 1991)、混合開始的相互作用(Horvitz, 1999)を単一のノルム比で運用し、我々がオープンな問題として残した検証可能な経験的質問のリストを生成する。

関連論文リスト

• Causally Sufficient and Necessary Feature Expansion for Class-Incremental Learning [10.618608207545153]
  クラス増分学習(CIL)の最近の拡張手法は、古い特徴を凍結することで破滅的な忘れを効果的に行う。 突発的な特徴相関が この衝突の主な原因で 2つの範囲に現れます 本稿では,CILの機能拡張を導くために,PNSに基づく正則化手法を提案する。
  論文  参考訳（メタデータ） (2026-03-10T03:33:33Z)
• Uncertainty Mitigation and Intent Inference: A Dual-Mode Human-Machine Joint Planning System [16.75873002054227]
  本研究では,二元的不確実性に対処する統合人間ロボット共同計画システムを提案する。 第一に、不確実性軽減共同計画モジュールは、双方向の会話によって意味的あいまいさとオブジェクトの不確実性を解決することができる。 第2に、リアルタイムな意図認識協調モジュールは、人間の潜在タスク意図に対する確率論的信念を維持している。
  論文  参考訳（メタデータ） (2026-03-08T21:43:30Z)
• MEJO: MLLM-Engaged Surgical Triplet Recognition via Inter- and Intra-Task Joint Optimization [52.149337961205624]
  手術用三重項認識のためのタスク間最適化とタスク内最適化を両立する枠組みを提案する。 タスク間最適化のために、タスク共有およびタスク固有コンポーネントに表現を分解する共有特徴分散学習スキーム(S$2$D)を導入する。 タスク内最適化競合に対して,正負の曖昧さを識別・再バランスするコーディネート・グラディエント・ラーニング(CGL)戦略を開発する。
  論文  参考訳（メタデータ） (2025-09-16T09:48:52Z)
• Haste Makes Waste: Evaluating Planning Abilities of LLMs for Efficient and Feasible Multitasking with Time Constraints Between Actions [56.88110850242265]
  本稿では,現実の調理シナリオに基づいた新しいベンチマークフレームワークRecipe2Planを紹介する。 従来のベンチマークとは異なり、Recipe2Planは並列タスク実行による調理時間を最適化するためにエージェントに挑戦する。
  論文  参考訳（メタデータ） (2025-03-04T03:27:02Z)
• Robust Subtask Learning for Compositional Generalization [20.54144051436337]
  我々は、どんなタスクでも実行できるように、サブタスクポリシーをトレーニングする問題に焦点を合わせます。 我々は、平均的なケースのパフォーマンスとは対照的に、すべてのタスクで最悪のケースのパフォーマンスを最大化することを目指している。
  論文  参考訳（メタデータ） (2023-02-06T18:19:25Z)
• Modelling continual learning in humans with Hebbian context gating and exponentially decaying task signals [4.205692673448206]
  人間は、最小限の相互干渉で連続して複数のタスクを学ぶことができるが、一度に複数のタスクを訓練すると、パフォーマンスが低下する。 本稿では,ニューラルネットワークに対する新しい計算制約を提案する。この制約は,インターリーブドトレーニングのコストを捕捉し,ネットワークが2つのタスクを連続的に学習することを可能にする。 学習中に「スラグッシュ」ユニットがスイッチコストを導入し、コンテキストキューを無視した共同表現に対して、インターリーブされたトレーニング下での表現をバイアスするのに対し、ヘビアンステップはタスクユニットから完全に干渉から保護された表現を生成する隠蔽層へのゲーティングスキームの形成を促進する。
  論文  参考訳（メタデータ） (2022-03-22T09:32:06Z)
• UneVEn: Universal Value Exploration for Multi-Agent Reinforcement Learning [53.73686229912562]
  我々はUniversal Value Exploration(UneVEn)と呼ばれる新しいMARLアプローチを提案する。 UneVEnは、一連の関連するタスクと、普遍的な後継機能の線形分解を同時に学習する。 一連の探索ゲームにおける実証的な結果、エージェント間の重要な調整を必要とする協調捕食・捕食作業への挑戦、およびStarCraft IIのマイクロマネジメントベンチマークは、UneVEnが他の最先端のMARLメソッドが失敗するタスクを解決できることを示している。
  論文  参考訳（メタデータ） (2020-10-06T19:08:47Z)
• OCEAN: Online Task Inference for Compositional Tasks with Context Adaptation [150.1979017130774]
  構成タスクに対するオンラインタスク推論を行うための変分推論フレームワークを提案する。 本フレームワークは,タスク構造に関する事前の知識に基づいて,柔軟な潜伏分布をサポートし,教師なしで訓練することができる。
  論文  参考訳（メタデータ） (2020-08-17T04:50:34Z)
• Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal Constraints [52.58352707495122]
  本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。 都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
  論文  参考訳（メタデータ） (2020-05-27T01:10:41Z)
• Hierarchical Reinforcement Learning as a Model of Human Task Interleaving [60.95424607008241]
  我々は、強化学習によって駆動される監督制御の階層モデルを開発する。 このモデルは、タスクインターリービングの既知の経験的効果を再現する。 その結果、階層的RLがタスクインターリービングのもっともらしいモデルとして支持された。
  論文  参考訳（メタデータ） (2020-01-04T17:53:28Z)

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。