論文の概要: Strategic Decision Support for AI Agents

• arxiv url: http://arxiv.org/abs/2606.12587v1
• Date: Wed, 10 Jun 2026 18:34:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.40852
• Title: Strategic Decision Support for AI Agents
• Title（参考訳）: AIエージェントの戦略決定支援
• Authors: Shayan Kiyani, Sima Noorani, George Pappas, Hamed Hassani,
• Abstract要約: 現代のエージェントシステムでは、AIエージェントはユーザの代理として機能し、人間とツールはそれらの周りのサポートメカニズムとなる。 このロール逆転は、エージェントエラーが連続的に発生するため、フォアフロントに信頼性上の懸念をもたらす。 本稿では,AIエージェントに対する戦略的意思決定支援のためのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 26.38833436936642
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditionally, decision support studies how humans use machine learning models to make better decisions. In modern agentic systems, this division of roles is increasingly reversed: AI agents act on behalf of users, while humans and tools becomes support mechanisms around them. This role reversal brings reliability concerns to the forefront, since agentic errors can be consequential and agent behavior must remain aligned with human goals and constraints. Departing from the classical view of decision support, we revisit its two basic principles, the cost--value tradeoff of seeking support and the role of uncertainty quantification, in a setting where AI agents are the central actors. We propose a framework for strategic decision support for AI agents through an optimization problem that minimizes support usage subject to controlling a counterfactual missed-support error: the probability that the agent acts alone on instances where support would have materially improved its output. At the population level, we show that the optimal policy is a threshold rule on the value of support. Building on this structure, we develop an online algorithm that adaptively thresholds such a score and uses randomized exploration to control missed-support error without distributional assumptions. We further introduce a calibration-on-the-fly method that reduces unnecessary support calls online. We instantiate this framework across diverse scenarios, including information gathering, human--AI collaboration, and tool use, showing how each can be modeled through the same strategic decision-support lens. Experiments across these settings show that our method reliably controls the target error while substantially reducing support usage in practice.
• Abstract（参考訳）: 伝統的に、意思決定支援は、人間が機械学習モデルを使ってより良い意思決定を行う方法を研究する。 現代のエージェントシステムでは、AIエージェントがユーザに代わって行動し、人間やツールがそれらの周りのサポートメカニズムとなる。 この役割の逆転は、エージェントのエラーが連続的に起こり、エージェントの振る舞いは人間の目標と制約に一致し続けなければならないため、フォアフロントに信頼性の懸念をもたらす。 意思決定支援の古典的見解とは別に、我々は、AIエージェントが中心的なアクターである環境で、サポートを求めるコスト-価値トレードオフと不確実な定量化の役割という、2つの基本原則を再考する。 本稿では,AIエージェントに対する戦略的意思決定支援のためのフレームワークを提案する。このフレームワークは,AIエージェントが単独で動作し,サポート対象の出力が大幅に改善された場合にのみ作用する確率である,反ファクト的ミスサポートエラーを制御するためのサポート使用量を最小限に抑える最適化問題である。 人口レベルでは、最適政策が支援価値のしきい値ルールであることが示される。 この構造に基づいて、そのようなスコアを適応的に閾値付けし、ランダム化探索を用いて、分布仮定を使わずに欠落支援誤差を制御するオンラインアルゴリズムを開発した。 さらに、不要なサポートコールをオンラインで削減するキャリブレーション・オン・ザ・フライ方式を導入する。 私たちはこのフレームワークを、情報収集、人間とAIのコラボレーション、ツールの使用など、さまざまなシナリオにまたがってインスタンス化し、それぞれが同じ戦略的意思決定支援レンズでどのようにモデル化できるかを示します。 これらの設定に対する実験により,本手法は目標誤差を確実に制御し,実際のサポート使用量を大幅に削減することを示した。

関連論文リスト

• Reliability and Effectiveness of Autonomous AI Agents in Supply Chain Management [15.19525853427301]
  本稿では,MIT Beer Game を用いたマルチエキロンサプライチェーンにおける自律生成型AIエージェントについて検討する。 モデル選択、ポリシーとガードレール、集中型データ共有、迅速なエンジニアリングという、パフォーマンスを形成する4つの推論時レバーを特定します。
  論文  参考訳（メタデータ） (2026-05-16T15:11:35Z)
• A Case-Driven Multi-Agent Framework for E-Commerce Search Relevance [0.0]
  関連性(Relevance)は、eコマース検索におけるユーザエクスペリエンスの基盤である。 本稿では,ケース駆動型マルチエージェントフレームワークを提案する。 このフレームワークは、関連性関連タスクを効果的に実行し、アノテーションの精度を向上し、よりタイムリーで一般化可能なバッドケースの解決を可能にする。
  論文  参考訳（メタデータ） (2026-05-07T10:41:50Z)
• Taming Actor-Observer Asymmetry in Agents via Dialectical Alignment [59.536125286960186]
  セルフリフレクションと相互監査を可能にするために、専門的な役割を割り当てるマルチエージェントフレームワークがますます採用されている。 アクター・オブザーバ非対称性(Actor-Observer Asymmetric)と呼ばれる認知バイアスを同時に誘発する。 ReTASは、対立する視点を客観的なコンセンサスに合成するためにエージェントを誘導する。
  論文  参考訳（メタデータ） (2026-04-21T15:05:58Z)
• When Should a Robot Think? Resource-Aware Reasoning via Reinforcement Learning for Embodied Robotic Decision-Making [68.12864562049957]
  身体ロボットシステムは、高レベルの推論をサポートするために、大規模言語モデル(LLM)ベースのエージェントにますます依存している。 エージェントはいつ、いつ、いつ行動すべきか? 本稿では,エンボディエージェントのリソース・アウェア・オーケストレーションのための階層的なフレームワークであるRARRL(Resource-Aware Reasoning via Reinforcement Learning)を提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:38:50Z)
• 2-Step Agent: A Framework for the Interaction of a Decision Maker with AI Decision Support [0.254890465057467]
  本稿では,AIによる意思決定の効果をモデル化する汎用計算フレームワークである2-Step Agentを紹介する。 我々の結果は、AIによる意思決定サポートの潜在的な落とし穴を明らかにし、詳細なモデルドキュメンテーションと適切なユーザートレーニングの必要性を強調します。
  論文  参考訳（メタデータ） (2026-02-25T13:11:12Z)
• HumanAgencyBench: Scalable Evaluation of Human Agency Support in AI Assistants [5.4831302830611195]
  エージェントの哲学的・科学的理論とAIを用いた評価手法を統合することにより、人間エージェントの考え方を発展させる。 我々は、典型的なAIのユースケースに基づいて、6次元の人間エージェントを持つスケーラブルで適応的なベンチマークであるHumanBench(HAB)を開発した。
  論文  参考訳（メタデータ） (2025-09-10T11:10:10Z)
• The Cost of Dynamic Reasoning: Demystifying AI Agents and Test-Time Scaling from an AI Infrastructure Perspective [3.0868637098088403]
  大規模言語モデル(LLM)ベースのAIエージェントは最近、動的推論を採用することで、印象的な汎用性を示した。 本稿では,AIエージェントを包括的に分析し,リソース使用量,遅延動作,エネルギー消費,テストタイムスケーリング戦略を定量化する。 その結果,エージェントは計算量の増加によって精度が向上する一方で,急速に低下するリターン,レイテンシのばらつきの拡大,持続不可能なインフラストラクチャコストに悩まされていることがわかった。
  論文  参考訳（メタデータ） (2025-06-04T14:37:54Z)
• Combining AI Control Systems and Human Decision Support via Robustness and Criticality [53.10194953873209]
  我々は、逆説(AE)の方法論を最先端の強化学習フレームワークに拡張する。 学習したAI制御システムは、敵のタンパリングに対する堅牢性を示す。 トレーニング/学習フレームワークでは、この技術は人間のインタラクションを通じてAIの決定と説明の両方を改善することができる。
  論文  参考訳（メタデータ） (2024-07-03T15:38:57Z)
• Online Decision Mediation [72.80902932543474]
  意思決定支援アシスタントを学習し、(好奇心)専門家の行動と(不完全)人間の行動の仲介役として機能することを検討する。 臨床診断では、完全に自律的な機械行動は倫理的余裕を超えることが多い。
  論文  参考訳（メタデータ） (2023-10-28T05:59:43Z)

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。