論文の概要: Learning to Assign Prediction Tasks to Agents with Capacity Constraints

• arxiv url: http://arxiv.org/abs/2605.27999v1
• Date: Wed, 27 May 2026 05:45:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.781634
• Title: Learning to Assign Prediction Tasks to Agents with Capacity Constraints
• Title（参考訳）: 容量制約のあるエージェントに予測タスクを割り当てる学習
• Authors: Shang Wu, Saatvik Kher, Padhraic Smyth,
• Abstract要約: 我々は、利用可能な人間やAIエージェントの集合から1つのエージェントに予測タスクを割り当てる学習の問題に対処する。 本稿では,エージェント能力,エージェントの専門性の違い,タスクコンテキストなどの観点から,この問題の一般的な理論的特徴について述べる。 我々は、全体的なパフォーマンスを最大化するために、シーケンシャルな探索・探索型ポリシー学習アルゴリズムのフレームワークを開発する。
• 参考スコア（独自算出の注目度）: 12.929811348173049
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We address the problem of learning to assign prediction tasks to one agent from a set of available human or AI agents. In particular, we focus on the sequential learning of agent expertise and assignment policies where each agent is constrained to handle a fraction of tasks. We provide a general theoretical characterization of this problem in terms of agent capacities, differences in agent expertise, and task context. We then develop a framework of sequential explore-exploit policy-learning algorithms that seek to maximize overall performance. Experimental results over a variety of tabular, image, and text prediction tasks demonstrate systematic gains from our policy-learning algorithms relative to non-contextual baselines across different types of agents, including LLMs and humans.
• Abstract（参考訳）: 我々は、利用可能な人間やAIエージェントの集合から1つのエージェントに予測タスクを割り当てる学習の問題に対処する。 特に、エージェントの専門知識のシーケンシャルな学習と、各エージェントが少数のタスクを処理するよう制約された割当てポリシーに焦点を当てる。 本稿では,エージェント能力,エージェントの専門性の違い,タスクコンテキストなどの観点から,この問題の一般的な理論的特徴について述べる。 次に、全体的なパフォーマンスを最大化するために、シーケンシャルな探索・探索型ポリシー学習アルゴリズムのフレームワークを開発する。 様々な表、画像、テキスト予測タスクに対する実験結果から、LLMや人間を含むさまざまな種類のエージェントの非文脈ベースラインに対して、ポリシー学習アルゴリズムから体系的に得られる成果が示された。

関連論文リスト

• AgentIF-OneDay: A Task-level Instruction-Following Benchmark for General AI Agents in Daily Scenarios [49.90735676070039]
  持続時間と複雑さが増大するタスクを効果的に処理するAIエージェントの能力は、成長を続けている。 エージェントタスクの多様性に十分対処することなく,タスクの難易度の向上を優先している。 本稿では,自然言語命令とAIエージェントを多種多様な日常タスクに活用できるかどうかを判定するエージェントIF-OneDayを提案する。
  論文  参考訳（メタデータ） (2026-01-28T13:49:18Z)
• Towards Principled Unsupervised Multi-Agent Reinforcement Learning [49.533774397707056]
  実践的な設定でこの問題に対処するために,スケーラブルで分散化された信頼領域ポリシー探索アルゴリズムを提案する。 本研究では,特定の目的,すなわち混合エントロピーの最適化が,トラクタビリティと性能のトレードオフに優れたものであることを示す。
  論文  参考訳（メタデータ） (2025-02-12T12:51:36Z)
• From Novice to Expert: LLM Agent Policy Optimization via Step-wise Reinforcement Learning [62.54484062185869]
  本稿では,エージェントの強化学習プロセスの最適化にステップワイド報酬を利用するStepAgentを紹介する。 エージェント反射とポリシー調整を容易にする暗黙の逆・逆の強化学習手法を提案する。
  論文  参考訳（メタデータ） (2024-11-06T10:35:11Z)
• Learning Embeddings for Sequential Tasks Using Population of Agents [27.61165606165948]
  強化学習におけるタスクの定次元埋め込みを学習するための情報理論フレームワークを提案する。 1つのタスクでエージェントのパフォーマンスを観察すると、もう1つのタスクでエージェントのパフォーマンスに関する不確実性が低下する。
  論文  参考訳（メタデータ） (2023-06-05T23:38:31Z)
• Domain-Robust Visual Imitation Learning with Mutual Information Constraints [0.0]
  Disentangling Generative Adversarial Imitation Learning (DisentanGAIL)と呼ばれる新しいアルゴリズムを導入する。 本アルゴリズムは,タスクを実行する専門家の高次元観察から自律エージェントを直接学習することを可能にする。
  論文  参考訳（メタデータ） (2021-03-08T21:18:58Z)
• Randomized Entity-wise Factorization for Multi-Agent Reinforcement Learning [59.62721526353915]
  実世界のマルチエージェント設定は、エージェントや非エージェントエンティティのタイプや量が異なるタスクを伴うことが多い。 我々の方法は、これらの共通点を活用することを目的としており、「観察対象のランダムに選択されたサブグループのみを考えるとき、各エージェントが期待する効用は何か?」という問いを投げかける。
  論文  参考訳（メタデータ） (2020-06-07T18:28:41Z)

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。