論文の概要: PLACO: A Multi-Stage Framework for Cost-Effective Performance in Human-AI Teams

• arxiv url: http://arxiv.org/abs/2605.08388v1
• Date: Fri, 08 May 2026 18:54:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.606467
• Title: PLACO: A Multi-Stage Framework for Cost-Effective Performance in Human-AI Teams
• Title（参考訳）: PLACO:AIチームにおけるコスト効果パフォーマンスのためのマルチステージフレームワーク
• Authors: Pranavkumar Mallela, Vinay Kumar, Shashi Shekhar Jha, Shweta Jain,
• Abstract要約: 人間は、AIアシストを使用することで、これまでなかったほど、仕事のペースが加速したことを発見している。 最終出力が単一のハードラベルである分類タスクでは、人間とモデルの出力の組み合わせに対処することが不可欠である。
• 参考スコア（独自算出の注目度）: 7.634717272554101
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human-AI teams play a pivotal role in improving overall system performance when neither the human nor the model can achieve such performance on their own. With the advent of powerful and accessible Generative AI models, several mundane tasks have morphed into Human-AI team tasks. From writing essays to developing advanced algorithms, humans have found that using AI assistance has led to an accelerated work pace like never before. In classification tasks, where the final output is a single hard label, it is crucial to address the combination of human and model output. Prior work elegantly solves this problem using Bayes rule, using the assumption that human and model output are conditionally independent given the ground truth. Specifically, it discusses a combination method to combine a single deterministic labeler (the human) and a probabilistic labeler (the classifier model) using the model's instance-level and the human's class-level calibrated probabilities.
• Abstract（参考訳）: 人間とAIのチームは、人間とモデルが単独でそのようなパフォーマンスを達成できない場合、システム全体のパフォーマンスを改善する上で重要な役割を担います。 パワフルでアクセスしやすいジェネレーティブAIモデルの出現により、いくつかの日常的なタスクがHuman-AIチームタスクに変化した。 エッセイを書くことから高度なアルゴリズムを開発するまで、人間はAIアシスタントを使用することで、これまでなかったほど仕事のペースが加速したことを発見してきた。 最終出力が単一のハードラベルである分類タスクでは、人間とモデルの出力の組み合わせに対処することが不可欠である。 先行研究はベイズ則を用いてこの問題をエレガントに解決し、人間とモデルの出力は基礎的真理から条件的に独立であるという仮定を用いて解決する。 具体的には,1つの決定論的ラベル(人間)と確率論的ラベル(分類器モデル)をモデルのインスタンスレベルと人間のクラスレベルの校正確率を用いて組み合わせる手法について論じる。

関連論文リスト

• Modeling AI-Human Collaboration as a Multi-Agent Adaptation [0.0]
  タスクの関数としてAIと人間のコラボレーションを形式化するエージェントベースのシミュレーションを開発する。 モジュラータスクでは、AIが人間の代わりになることが多いことを示します。 また、記憶や構造が欠如している「幻覚的」AIでさえ、ローカルオプティマから逃れることによって、低能力な人間を増強することで、結果を改善することも示しています。
  論文  参考訳（メタデータ） (2025-04-29T16:19:53Z)
• Principle-Driven Self-Alignment of Language Models from Scratch with Minimal Human Supervision [84.31474052176343]
  ChatGPTのような最近のAIアシスタントエージェントは、人間のアノテーションと人間のフィードバックからの強化学習を教師付き微調整(SFT)に頼り、アウトプットを人間の意図に合わせる。 この依存は、人間の監督を得るために高いコストがかかるため、AIアシスタントエージェントの真の可能性を大幅に制限することができる。 本稿では,AIエージェントの自己調整と人間監督の最小化のために,原則駆動推論とLLMの生成能力を組み合わせたSELF-ALIGNという新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-04T17:59:28Z)
• Human and AI Perceptual Differences in Image Classification Errors [13.045020949359621]
  本研究はまず,2つの情報源からの誤りの統計的分布を分析し,課題難易度がこれらの分布に与える影響について検討する。 AIがトレーニングデータから優れたモデルを学び、全体的な精度で人間を上回ったとしても、これらのAIモデルは人間の知覚と有意で一貫した違いを持つ。
  論文  参考訳（メタデータ） (2023-04-18T05:09:07Z)
• Model Predictive Control for Fluid Human-to-Robot Handovers [50.72520769938633]
  人間の快適さを考慮に入れた計画運動は、人間ロボットのハンドオーバプロセスの一部ではない。 本稿では,効率的なモデル予測制御フレームワークを用いてスムーズな動きを生成することを提案する。 ユーザ数名の多様なオブジェクトに対して,人間とロボットのハンドオーバ実験を行う。
  論文  参考訳（メタデータ） (2022-03-31T23:08:20Z)
• Combining Human Predictions with Model Probabilities via Confusion Matrices and Calibration [11.75395256889808]
  本研究では,モデルの確率的出力と人間のクラスレベルの出力を結合するアルゴリズムの開発を行う。 理論的には, 組み合わせモデルの精度は, 個々の人やモデルの精度だけでなく, モデルの信頼性にも左右されることが示されている。
  論文  参考訳（メタデータ） (2021-09-29T17:43:15Z)
• Skill Preferences: Learning to Extract and Execute Robotic Skills from Human Feedback [82.96694147237113]
  Skill Preferencesは、人間の好みよりもモデルを学習し、オフラインデータから人間に沿ったスキルを抽出するアルゴリズムである。 SkiPは複雑なマルチステップ操作タスクをシミュレートしたキッチンロボットで実現できることを示す。
  論文  参考訳（メタデータ） (2021-08-11T18:04:08Z)
• Is the Most Accurate AI the Best Teammate? Optimizing AI for Teamwork [54.309495231017344]
  AIシステムは人間中心の方法でトレーニングされ、チームのパフォーマンスに直接最適化されるべきである、と私たちは主張する。 我々は,AIレコメンデーションを受け入れるか,あるいはタスク自体を解決するかを選択する,特定のタイプのAIチームを提案する。 実世界の高精度データセット上での線形モデルと非線形モデルによる実験は、AIが最も正確であることは、最高のチームパフォーマンスに繋がらないことを示している。
  論文  参考訳（メタデータ） (2020-04-27T19:06:28Z)
• AvgOut: A Simple Output-Probability Measure to Eliminate Dull Responses [97.50616524350123]
  機能エンジニアリングなしで、どの発話やトークンが退屈であるかを動的に認識する対話モデルを構築します。 最初のモデルMinAvgOutは、各バッチの出力分布を通して、ダイバーシティスコアを直接最大化する。 第2のモデルであるラベルファインチューニング(LFT)は、多様性スコアによって連続的にスケールされたラベルをソースシーケンスにプリペイドし、多様性レベルを制御する。 3つ目のモデルであるRLは強化学習を採用し、多様性スコアを報奨信号として扱う。
  論文  参考訳（メタデータ） (2020-01-15T18:32:06Z)

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。