論文の概要: Human-AI Teaming Through the Lens of Calibration

• arxiv url: http://arxiv.org/abs/2606.10906v1
• Date: Tue, 09 Jun 2026 14:14:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.542944
• Title: Human-AI Teaming Through the Lens of Calibration
• Title（参考訳）: 校正レンズを通してのヒューマンAI連携
• Authors: Eric Nalisnick, Chi Zhang, Sophia Qian, Yixin Wang,
• Abstract要約: 統計的キャリブレーションのレンズによる人間とAIのコラボレーションのモデルについて検討する。 私たちは、チームはAIモデルと人間で構成されていると仮定します。
• 参考スコア（独自算出の注目度）: 29.992478443263547
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study models for human-AI teaming through the lens of statistical calibration. We assume the team consists of an AI model and human -- both of which are calibrated with respect to some partitioning of the feature space -- and expose how the calibration assumptions propagate into the teaming framework. In particular, we consider frameworks that either (i) combine human and model predictions or (ii) delegate prediction responsibility to either a human or model. We show via theoretical and empirical results that existing methods for combination do not preserve the human's degree of calibration. Methods for delegation (by the very act of delegation) preserve calibration of the downstream predictors but shift the burden onto the rejector meta-model that decides who predicts. The rejector must be calibrated finely enough to locate where each member is superior, a demand that grows with the human's expertise and becomes unattainable when the human relies on information the system cannot observe.
• Abstract（参考訳）: 統計的キャリブレーションのレンズによる人間とAIのコラボレーションのモデルについて検討する。 私たちは、AIモデルと人間(どちらも機能空間の分割に関してキャリブレーションされている)で構成されていると仮定し、キャリブレーションの仮定がチームのフレームワークにどのように伝播するかを明らかにします。 特に私たちは、どちらのフレームワークも検討しています。 一 人的・モデル的予測を組み合わすか 二 人又はモデルのいずれかに予測責任を委譲すること。 我々は,既存の組み合わせ法が人間のキャリブレーションの度合いを保たないという理論的および実証的な結果を通して示す。 委譲の方法は(委譲の行為によって)下流の予測器の校正を保ちながら、誰が予測するかを決定するリジェクタメタモデルに負担を移す。 拒絶者は、人間が観察できない情報に頼ると、人間の専門知識によって成長し、達成不可能になる要求である、各メンバーが優れている場所を特定するのに十分な調整を受けなければならない。

関連論文リスト

• Do Machines Fail Like Humans? A Human-Centred Out-of-Distribution Spectrum for Mapping Error Alignment [1.974820485832244]
  我々は,人間の知覚障害のスペクトルとしてOODの度合いを再定義する,人間中心の枠組みを提案する。 我々はこの枠組みをオブジェクト認識に適用し、ディープラーニングアーキテクチャ全体にわたるユニークな、状況に依存したモデル-ヒューマンアライメントのランキングとプロファイルを明らかにする。
  論文  参考訳（メタデータ） (2026-03-08T04:51:39Z)
• Mind the Uncertainty in Human Disagreement: Evaluating Discrepancies between Model Predictions and Human Responses in VQA [26.968874222330978]
  本研究は,視覚質問応答(VQA)タスクに焦点をあてる。 視覚言語モデルが人間の反応の分布とどのように相関するかを評価する。
  論文  参考訳（メタデータ） (2024-09-17T13:44:25Z)
• Empirical Estimates on Hand Manipulation are Recoverable: A Step Towards Individualized and Explainable Robotic Support in Everyday Activities [80.37857025201036]
  ロボットシステムの鍵となる課題は、他のエージェントの振る舞いを理解することである。 正しい推論の処理は、(衝突)因子が実験的に制御されない場合、特に困難である。 人に関する観察研究を行うために必要なツールをロボットに装備することを提案する。
  論文  参考訳（メタデータ） (2022-01-27T22:15:56Z)
• 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)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• When Does Uncertainty Matter?: Understanding the Impact of Predictive Uncertainty in ML Assisted Decision Making [68.19284302320146]
  我々は,異なるレベルの専門知識を持つ人々が,異なるタイプの予測不確実性にどう反応するかを評価するために,ユーザスタディを実施している。 その結果,後続の予測分布を示すことは,MLモデルの予測との相違点が小さくなることがわかった。 このことは、後続の予測分布は、人間の分布の種類や専門性を考慮し、注意を払って使用するべき有用な決定支援として役立つ可能性があることを示唆している。
  論文  参考訳（メタデータ） (2020-11-12T02:23:53Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• An Uncertainty-based Human-in-the-loop System for Industrial Tool Wear Analysis [68.8204255655161]
  人間のループシステムにおけるモンテカルロのドロップアウトに基づく不確実性対策により,システムの透明性と性能が向上することを示す。 シミュレーション研究により、不確実性に基づく「ループ内人間システム」は、様々なレベルの人間の関与に対する性能を高めることが示されている。
  論文  参考訳（メタデータ） (2020-07-14T15:47:37Z)

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。