論文の概要: Scaling the Queue: Reinforcement Learning for Equitable Call Classification Capacity in NYC Municipal Complaint Systems

• arxiv url: http://arxiv.org/abs/2605.06482v1
• Date: Thu, 07 May 2026 16:06:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.97548
• Title: Scaling the Queue: Reinforcement Learning for Equitable Call Classification Capacity in NYC Municipal Complaint Systems
• Title（参考訳）: 待ち行列のスケーリング: 市町村の苦情システムにおける等価呼出し分類能力の強化学習
• Authors: Irene Aldridge, Ellie Bae, Siddhesh Darak, Nicholas Donat, Akhil Fernando-Bell, Bella Ge, Nicholas Goguen-Compagnoni, Ishita Gupta, Ali Hasan, Pierce Hoenigman, Imran Isa-Dutse, Jiwon Jeong, Tishya Khanna, Neha Konduru, Yixuan Liu, Kai Maeda, Nolan McKenna, Karl Muller, Farzaan Naeem, Rishabh Patel, Zachary Sheldon, Ammar Syed, Nathan Tai, Michael Twersky, Haoying Wang, Zening Wang, Zexun Yao, Nadav Yochman,
• Abstract要約: 我々は、ニューヨーク市のビルディングス部門にまたがる分類能力を強化する、株式中心の強化学習フレームワークを開発する。 エージェントはインテリジェントな取り込みルータとして機能し、受信した苦情をアクションカテゴリに割り当てることを学ぶ。 ポストホックSHAPの帰属は、苦情の再発と近隣レベルの統計が、原告数よりも行動可能な違反の予測因子が強いことを明らかにしている。
• 参考スコア（独自算出の注目度）: 3.8378185166077863
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Municipal 311 call centers and complaint intake systems face a structural mismatch between incoming volume and classification capacity. The staff and heuristics available to triage, route, and prioritize complaints cannot scale with demand. This bottleneck produces differential service quality that follows income and racial lines (\cite{liu2024sla}). We develop an equity-centered reinforcement learning (RL) framework that augments call classification capacity across six New York City Department of Buildings (DOB) operational domains: boiler safety, crane and derrick oversight, heat and hot water complaints, housing complaint triage, scaffold safety, and Natural Area District (SNAD) protection. Rather than replacing human classifiers, our agents act as intelligent intake routers: learning to assign incoming complaints to action categories: escalate, batch, defer, inspect now. The proposed technique is designed to maximize throughput, minimize misclassification cost, and actively narrow historical equity gaps in service delivery. We formalize each domain as a Markov Decision Process (MDP) in which equitable classification coverage is a first-class reward objective. Post-hoc SHAP attribution reveals that complaint recurrence and neighborhood-level statistics are stronger predictors of actionable violations than raw complaint volume. This finding has direct implications for complaint routing given the demographic correlates of those features.
• Abstract（参考訳）: 市立311コールセンターと苦情取扱システムでは、入ってくるボリュームと分類能力の間に構造的なミスマッチがある。 スタッフとヒューリスティックは、トリアージ、ルート、優先順位付けに利用できる苦情は、需要に応じてスケールできない。 このボトルネックは、収入と人種的ラインに従う差分サービス品質を生み出します(\cite{liu2024sla})。 筆者らは,ニューヨーク市建築局 (DOB) の運用領域であるボイラー安全, クレーンとデリックの監視, 熱と熱水に対する苦情, 住宅のクレージトリアージ, 足場安全, 自然地域地区保護の6つにまたがって, コールキャパシティを向上する株式中心強化学習(RL)フレームワークを開発した。 エージェントは人間の分類器を置き換えるのではなく、インテリジェントな取り込みルーターとして働きます。 提案手法はスループットの最大化,誤分類コストの最小化,サービス提供における歴史的公平なギャップを積極的に制限するように設計されている。 我々は各ドメインを、公平な分類範囲が第一級報酬対象であるマルコフ決定過程(MDP)として定式化する。 ポストホックSHAPの帰属は、苦情の再発と近隣レベルの統計が、原告数よりも行動可能な違反の予測因子が強いことを明らかにしている。 この発見は、これらの特徴の人口統計学的相関から、苦情のルーティングに直接的な意味を持つ。

関連論文リスト

• SibylSense: Adaptive Rubric Learning via Memory Tuning and Adversarial Probing [12.008158955114062]
  SibylSenseは、検証済みのルーリックアイテムのチューナブルメモリバンクを介して冷凍ルーリックジェネレータを適応させる。 SibylSenseは、ルーブリックに満足する候補回答を生成するルーブリック-逆ポリシー更新とメモリチューニングを交互に行う。
  論文  参考訳（メタデータ） (2026-02-24T10:28:44Z)
• Preventing Rank Collapse in Federated Low-Rank Adaptation with Client Heterogeneity [43.719298075378425]
  フェデレートされた低ランク適応(FedLoRA)は、下流タスクのための基礎モデルの通信効率とプライバシー保護の微調整を促進する。 我々は異種FedLoRAにおいてこれまで見過ごされていた現象をランク崩壊と呼び、グローバル更新のエネルギーは最小共有ランクに集中する。 本稿では,局所的な更新をランク分割に分解し,各パーティションをその効果的なクライアントコントリビューションに重み付けして集約するランク分割集約手法であるraFLoRAを提案する。
  論文  参考訳（メタデータ） (2026-02-13T21:42:06Z)
• Collective dynamics of strategic classification [49.14942990735098]
  ユーザと機関の集団間のフィードバックループ問題に進化ゲーム理論を適用した。 検知能力の向上は社会的コストを低減し,ユーザの改善につながる可能性が示唆された。 施設が利用者の人口に再適応する速度は、最終結果に果たす役割を担っている。
  論文  参考訳（メタデータ） (2025-08-12T20:57:17Z)
• KLCBL: An Improved Police Incident Classification Model [0.0]
  警察のインシデントデータは、公共のセキュリティインテリジェンスにとって不可欠だが、草の根機関は、手動の非効率性と自動システムの制限のために、効率的な分類に苦慮している。 本研究では,言語的に強化されたテキスト前処理アプローチ(LERT),畳み込みニューラルネットワーク(CNN),双方向長短期記憶(BiLSTM)を組み合わせた多チャンネルニューラルネットワークモデルKLCBLを提案する。 このモデルは、分類問題に対処し、警察の情報化を強化し、資源割り当てを改善し、他の分類タスクに幅広い適用性を提供する。
  論文  参考訳（メタデータ） (2024-11-11T07:02:23Z)
• No One Left Behind: Real-World Federated Class-Incremental Learning [111.77681016996202]
  ローカル・グローバル・アンチ・フォーゲッティング(LGA)モデルは、局所的およびグローバルな破滅的な忘れに対処する。 本研究は,カテゴリ均衡型勾配適応型補償損失とカテゴリ勾配誘導型セマンティック蒸留損失を開発する。 ローカルクライアントから収集した新しいカテゴリの摂動型プロトタイプイメージを、自己監督型プロトタイプ拡張を通じて拡張する。
  論文  参考訳（メタデータ） (2023-02-02T06:41:02Z)
• PatchMix Augmentation to Identify Causal Features in Few-shot Learning [55.64873998196191]
  少ないショット学習は、十分なカテゴリをラベル付けしたデータに基づいて学習した知識を、少ない既知の情報を持つ新しいカテゴリに転送することを目的としている。 我々はPatchMixと呼ばれる新しいデータ拡張戦略を提案し、この急激な依存関係を壊すことができる。 このような拡張メカニズムが,既存のメカニズムと異なり,因果的特徴を識別可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-29T08:41:29Z)
• A Nonparametric Contextual Bandit with Arm-level Eligibility Control for Customer Service Routing [61.10434777324718]
  Amazon Customer Serviceは、毎年数百万の顧客連絡先をリアルタイムにサポートしている。 ボット・リゾルバは一部のトラフィックを自動化するのに役立ちますが、人間エージェントの需要は高いままです。
  論文  参考訳（メタデータ） (2022-09-08T19:20:20Z)

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。