論文の概要: Human Decision-Making with AI Assistance under Correlated Features
- arxiv url: http://arxiv.org/abs/2606.20628v1
- Date: Wed, 27 May 2026 02:39:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 23:04:34.010161
- Title: Human Decision-Making with AI Assistance under Correlated Features
- Title（参考訳）: 関連した特徴を考慮したAI支援による人的意思決定
- Abstract要約: 自然な疑問は、AIが短期的な意思決定品質と長期的なヒューマンラーニングのバランスを取るためにどのテストを推奨すべきかということだ。
特徴相関がこのような政策を任意に不適切な行動に導くことを証明している。
有限地平線に対する最適ポリシーを求める動的プログラミングに基づくアルゴリズムを導出する。
- 参考スコア（独自算出の注目度）: 8.451586455878
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Humans increasingly make decisions with AI assistance; for example, doctors may follow AI-recommended diagnostic tests and base their diagnoses on the results. A natural question is which tests should AI recommend to balance short-term decision quality and long-term human learning when different features (e.g., test results) are correlated. While prior work establishes that stationary policies that recommend the same tests repeatedly are optimal when features are independent, we prove that feature correlations lead such policies to perform arbitrarily poorly. Instead, we prove that any optimal policy must follow an explore-then-commit structure; initially, the AI should offer diverse tests so humans can learn accurate feature coefficients, then the AI should commit to a single set of tests, with exploration length that depends on the degree of feature correlation. We prove that computing the optimal policy is NP-hard and derive a dynamic programming-based algorithm that finds the optimal policy for finite horizons. We additionally develop an approximation that plans for shorter horizons and appends a stationary suffix, achieving near-optimal performance. Our empirical results complement our theory by showing that stronger feature correlation leads to longer exploration phases.
- Abstract（参考訳）: 例えば、医師はAIが推奨する診断テストに従い、その結果に基づいて診断を行う。
自然な疑問は、異なる特徴(例えば、テスト結果)が相関している場合、AIが短期的な意思決定品質と長期的な人間の学習のバランスを取ることを推奨すべきテストである。
先行研究では、機能独立時に同じテストを繰り返し推奨する定常的なポリシーが最適であると定めているが、機能相関がこのようなポリシーを任意に不適切な動作に導くことを証明している。
まず、AIは多様なテストを提供して、人間が正確な特徴係数を学習できるようにし、次にAIは、特徴相関の度合いに依存する探索長を単一のテストにコミットすべきである。
最適ポリシーの計算はNPハードであり、有限地平線に対する最適ポリシーを求める動的プログラミングベースのアルゴリズムを導出する。
さらに,より短い地平線を計画し,固定接尾辞を付加する近似法を開発し,ほぼ最適性能を実現する。
我々の経験的結果は、より強い特徴相関が長い探索フェーズをもたらすことを示すことによって、我々の理論を補完する。
関連論文リスト
- Non-Asymptotic Best Policy Identification Guarantees in Online Reinforcement Learning [27.12987353045116]
これは、学習者の目的が、信頼性の高い意思決定プロセス(MDP)における最適なポリシーを特定することにある、活発なシーケンシャルな仮説テスト問題である。
決定論的報酬を伴うオンライン・セッティングについて検討し、エージェントは効果的に探索するためにMDPをナビゲートする必要がある。
論文 参考訳（メタデータ） (2026-07-19T11:48:09Z) - Aligning Data-Driven Predictors with Allocation: A Decision-Focused Approach to Survival Analysis [52.10284705210197]
機械学習予測器は、アロケーションに使用する場合、任意に貧弱な結果が得られることを示す。
正規化割引累積ゲイン(NDCG)の最適化に基づく意思決定型学習手法を提案する。
既存の生存モデルのNDCGを最適化するためのブートストラップ手法を提案する。
論文 参考訳（メタデータ） (2026-06-01T12:03:22Z) - When Should Humans Step In? Optimal Human Dispatching in AI-Assisted Decisions [2.7755032786791003]
我々は,人間-AI協調のための一般的な意思決定理論の枠組みを提案する。
我々は、AIアセスメントを要因レベルの信号として扱い、人間の判断を、選択的に取得できるコストの高い情報として扱う。
当社のフレームワークをAI支援ピアレビューに適用する。
論文 参考訳（メタデータ） (2026-03-14T01:47:38Z) - TestAgent: An Adaptive and Intelligent Expert for Human Assessment [62.060118490577366]
対話型エンゲージメントによる適応テストを強化するために,大規模言語モデル(LLM)を利用したエージェントであるTestAgentを提案する。
TestAgentは、パーソナライズされた質問の選択をサポートし、テストテイカーの応答と異常をキャプチャし、動的で対話的なインタラクションを通じて正確な結果を提供する。
論文 参考訳（メタデータ） (2025-06-03T16:07:54Z) - Improving Bias Correction Standards by Quantifying its Effects on Treatment Outcomes [54.18828236350544]
Propensity score matching (PSM) は、分析のために同等の人口を選択することで選択バイアスに対処する。
異なるマッチング手法は、すべての検証基準を満たす場合でも、同じタスクに対する平均処理効果(ATE)を著しく異なるものにすることができる。
この問題に対処するため,新しい指標A2Aを導入し,有効試合数を削減した。
論文 参考訳（メタデータ） (2024-07-20T12:42:24Z) - Does AI help humans make better decisions? A statistical evaluation framework for experimental and observational studies [0.43981305860983716]
我々は、人間とAI、AIの3つの代替意思決定システムのパフォーマンスを比較する方法を示す。
リスクアセスメントの勧告は、現金保釈を課す裁判官の決定の分類精度を向上しないことがわかった。
論文 参考訳（メタデータ） (2024-03-18T01:04:52Z) - Learning to Make Adherence-Aware Advice [8.419688203654948]
本稿では,人間の従順性を考慮した逐次意思決定モデルを提案する。
最適なアドバイスポリシーを学習し、重要なタイムスタンプでのみアドバイスを行う学習アルゴリズムを提供する。
論文 参考訳（メタデータ） (2023-10-01T23:15:55Z) - AI Reliance and Decision Quality: Fundamentals, Interdependence, and the Effects of Interventions [6.356355538824237]
私たちは、AIによる意思決定に関する現在の文献で、信頼と意思決定品質が不適切に混ざり合っていると論じています。
我々の研究は、AIによる意思決定における信頼行動と意思決定品質の区別の重要性を強調している。
論文 参考訳（メタデータ） (2023-04-18T08:08:05Z) - Learning Complementary Policies for Human-AI Teams [13.371050441794651]
本稿では,意思決定における人間とAIの相補性の課題に取り組む。
我々は、割り当てられた行動の下でのみ結果が観察される場合に、人間とAIのコラボレーションのための堅牢なソリューションを開発する。
少数のインスタンスを人間の意思決定者にルーティングすることで,大幅なパフォーマンス向上が達成可能であることを示す。
論文 参考訳（メタデータ） (2023-02-06T17:22:18Z) - Policy learning "without" overlap: Pessimism and generalized empirical Bernstein's inequality [94.89246810243053]
本論文は,事前収集した観測値を利用して最適な個別化決定規則を学習するオフライン政策学習について検討する。
既存の政策学習法は、一様重なりの仮定、すなわち、全ての個々の特性に対する全ての作用を探索する正当性は、境界を低くしなければならない。
我々は,点推定の代わりに低信頼度境界(LCB)を最適化する新しいアルゴリズムであるPPLを提案する。
論文 参考訳（メタデータ） (2022-12-19T22:43:08Z) - Recommendations on test datasets for evaluating AI solutions in
pathology [2.001521933638504]
デジタル組織像から自動的に情報を抽出するAIソリューションは、病理診断を改善するための大きな可能性を示している。
日常使用の前には, 予測性能を評価し, 規制承認を得ることが重要である。
商用AI開発者、病理学者、研究者を含む様々な利害関係者からなる委員会は、重要な側面について議論し、病理学におけるテストデータセットに関する広範な文献レビューを行った。
論文 参考訳（メタデータ） (2022-04-21T14:52:47Z) - Online Model Selection for Reinforcement Learning with Function
Approximation [50.008542459050155]
我々は、$tildeO(L5/6 T2/3)$ regretで最適な複雑性に適応するメタアルゴリズムを提案する。
また、メタアルゴリズムは、インスタンス依存の後悔境界を著しく改善することを示す。
論文 参考訳（メタデータ） (2020-11-19T10:00:54Z) - Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
データ管理の統合コンポーネントにおける公平性について検討する。
本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
論文 参考訳（メタデータ） (2020-06-10T20:20:10Z)
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。