論文の概要: Tree-Based Formalization of Multi-Agent Complementarity in Human-AI Interactions

• arxiv url: http://arxiv.org/abs/2606.04779v1
• Date: Wed, 03 Jun 2026 12:02:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.731345
• Title: Tree-Based Formalization of Multi-Agent Complementarity in Human-AI Interactions
• Title（参考訳）: 人間とAIの相互作用における多エージェント相補性のツリーベース形式化
• Authors: Andrea Ferrario,
• Abstract要約: 相補性(complementarity)は、人間とAIのインタラクションが、メンバー間で利用できる最高の予測ベンチマークを上回っている場合である。 既存のフレームワークは、エージェントの予測がどのようにワークフローに敏感なマルチエージェントプロトコルを構成するかをモデル化していない。 複数エージェントHAIにおける相補性のツリーベース形式化を導入することで、このギャップを埋める。
• 参考スコア（独自算出の注目度）: 0.3384279376065155
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complementarity is the case in which a human--AI interaction (HAI) outperforms the best prediction benchmark available among its members. Although this idea is central in HAI research, formal work on complementarity remains limited. Existing frameworks do not model how agents' predictions compose into workflow-sensitive multi-agent protocols. We close this gap by introducing a tree-based formalization of complementarity in multi-agent HAI. An HAI protocol is represented by an ordered agent-role configuration together with a rooted planar binary tree whose leaves are decorated by prediction vectors. A local binary composition rule is evaluated recursively along the tree, yielding a tree-relative complementarity functional relative to a pointwise-min oracle benchmark. We prove four results. First, selector-based HAIs, including self- or AI-reliance, cannot achieve complementarity regardless of task, loss, or prediction quality. Second, in regression under squared loss, complementarity is equivalent to Euclidean distance minimization from the ground-truth vector; for $N=2$, the optimal linear-pooling weight has a closed form and a residual-correction interpretation. Third, under linear local composition, every protocol tree defines a barycentric coordinate chart on the simplex of leaf weights; Tamari-cover reparameterizations of protocol trees preserve complementarity, and for $N=4$, they satisfy the pentagon identity. Fourth, in binary classification, no internal local composition can achieve complementarity under endpoint-monotone losses, including standard Bregman and many finite Bernoulli $f$-divergence losses; an analogous obstruction holds for multiclass aggregation under cross-entropy. In summary, our framework shows that complementarity is attainable in multi-agent regression, but obstructed in classification under natural conditions on local aggregation and loss functions.
• Abstract（参考訳）: 相補性(complementarity)は、HAI(Human-AI Interaction)が、メンバ間で利用できる最高の予測ベンチマークを上回っているケースである。 この考え方はHAI研究の中心であるが、相補性に関する公式な研究は依然として限られている。 既存のフレームワークは、エージェントの予測がどのようにワークフローに敏感なマルチエージェントプロトコルを構成するかをモデル化していない。 複数エージェントHAIにおける相補性のツリーベース形式化を導入することで、このギャップを埋める。 HAIプロトコルは、葉を予測ベクトルで装飾した根付き平面二分木と共に、順序付けられたエージェント・ロール構成で表現される。 局所的な二分合成規則は木に沿って再帰的に評価され、ポイントワイド・ミニ・オラクル・ベンチマークに対するツリー相対的な相補性関数が生成される。 4つの結果が得られます。 第一に、自己またはAI信頼性を含むセレクタベースのHAIは、タスク、損失、予測品質に関わらず相補性を達成できない。 第二に、二乗損失下での回帰において、相補性は基底トラスベクトルからのユークリッド距離最小化と同値であり、$N=2$の場合、最適線形プールウェイトは閉形式と残差補正解釈を持つ。 第三に、線形局所構成の下では、各プロトコルツリーは葉の重みの単純度上のバリ中心座標チャートを定義する; プロトコルツリーのタマリ被覆再パラメータ化は相補性を保持し、N=4$の場合はペンタゴンの同一性を満たす。 第4に、二項分類において、標準的なブレグマンや多くの有限ベルヌーイ$f$分割損失を含む終端単調な損失の下では、内部的な局所的な構成は相補性を達成することができない。 要約すると, この枠組みは, 多エージェント回帰において相補性は達成可能であるが, 局所的な凝集や損失関数の自然な条件下での分類では妨げられることを示す。

関連論文リスト

• A Per-Component Diagnostic Protocol for Neural HJB-PIDE Solvers under Control-Dependent Lévy Jumps [0.0]
  制御依存型レヴィジャンプを用いた残差学習型ニューラルネットワークHJB-PIDEの5段階診断プロトコルを提案する。 このエピソードは、より広範なニューラルPDE検証失敗の具体例である。学習された値や制御のポイントワイドな一致は、体系的に間違った非局所演算子と共存することができる。
  論文  参考訳（メタデータ） (2026-05-31T09:44:28Z)
• Hinge Regression Tree: A Newton Method for Oblique Regression Tree Splitting [18.562483381753804]
  2つの線形予測器上での非線形最小二乗問題として分割するHynge Regression Tree(HRT)を提案する。 このノードレベルの最適化を解析し、バックトラックライン探索の変種について、局所的な目的が単調に減少し収束することを証明する。 合成および実世界のベンチマークで、HRTはよりコンパクトな構造を持つ単木ベースラインにマッチするか、より優れることを示す。
  論文  参考訳（メタデータ） (2026-02-05T06:49:01Z)
• TreePS-RAG: Tree-based Process Supervision for Reinforcement Learning in Agentic RAG [71.06073770344732]
  エージェント検索強化生成(RAG)は、推論と情報検索の多段階的な相互作用として質問応答を定式化する。 エージェントRAGのためのオンラインツリーベースRLフレームワークであるTreePS-RAGについて述べる。
  論文  参考訳（メタデータ） (2026-01-11T14:07:30Z)
• RS-ORT: A Reduced-Space Branch-and-Bound Algorithm for Optimal Regression Trees [2.612627266839037]
  MIP(Mixed-integer Programming)は最適な決定木を学習するための強力なフレームワークとして登場した。 連続的な特徴を内在的にバイナライズすることは、グローバルな最適性を犠牲にし、しばしば不必要に深い木を産み出す。 最適回帰木学習を2段階最適化問題として再放送し、RS-ORT(Reduceed-Space Optimal Regression Trees)を提案する。 RS-ORTは木構造変数のみに枝分かれする特殊分岐結合(BB)アルゴリズムである。
  論文  参考訳（メタデータ） (2025-10-27T22:17:09Z)
• Probabilistic Modeling of Latent Agentic Substructures in Deep Neural Networks [7.4145864319417285]
  ニューラルモデルに対する確率論的モデリングに基づくインテリジェントエージェンシーの理論を開発する。 線形プールや連立結果空間では厳密な一様性は不可能であるが、3つ以上の結果が得られる。
  論文  参考訳（メタデータ） (2025-09-08T13:55:01Z)
• TreePO: Bridging the Gap of Policy Optimization and Efficacy and Inference Efficiency with Heuristic Tree-based Modeling [65.46347858249295]
  TreePOは自己誘導型ロールアウトアルゴリズムで、シーケンス生成を木構造検索プロセスとして見る。 TreePOは基本的に、探索の多様性を保存または強化しながら、更新毎の計算負担を削減します。
  論文  参考訳（メタデータ） (2025-08-24T16:52:37Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via GDPA Linearization [59.87663954467815]
  アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。 本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。 実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
  論文  参考訳（メタデータ） (2021-09-10T07:01:15Z)
• Measure Inducing Classification and Regression Trees for Functional Data [0.0]
  機能的データ分析の文脈における分類と回帰問題に対する木に基づくアルゴリズムを提案する。 これは、制約付き凸最適化により重み付き汎函数 L2$ 空間を学習することで達成される。
  論文  参考訳（メタデータ） (2020-10-30T18:49:53Z)

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。