論文の概要: The Human Utility Factor: A Computable Welfare Metric That Reframes AI Governance as a Constrained Optimisation Problem

• arxiv url: http://arxiv.org/abs/2607.26068v1
• Date: Tue, 23 Jun 2026 04:47:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:39.095747
• Title: The Human Utility Factor: A Computable Welfare Metric That Reframes AI Governance as a Constrained Optimisation Problem
• Title（参考訳）: ヒューマンユーティリティーファクター:AIガバナンスを制約付き最適化問題として再構成する計算可能な福祉指標
• Abstract要約: 既存のAIガバナンスフレームワークは、安全性、透明性、説明責任に対処するが、マクロ社会経済的安定性に関する定量的制約を運用することはない。 本稿では,人間利用因子(Human Utility Factor, HUF)について紹介する。 HUFは、クローズドフォームの最適自動化レベルと、以下の最小再分配しきい値を得る。
• 参考スコア（独自算出の注目度）: 3.4328929125111514
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing AI governance frameworks, including the EU AI Act and NIST AI RMF, address safety, transparency, and accountability but do not operationalize quantitative constraints on macro-socioeconomic stability. As a result, AI systems may satisfy regulatory requirements while contributing to labor displacement, rising inequality, and reduced economic resilience. We introduce the Human Utility Factor (HUF), a differentiable welfare metric that models the interaction between Agency, Wellbeing, and Economic Stability as functions of three actionable policy levers: automation depth, redistribution intensity, and employment coverage. HUF yields a closed-form optimal automation level and a minimum redistribution threshold below which no level of automation is welfare-positive, transforming high-level governance objectives into computable constraints. We evaluate HUF using a three-agent multi-agent reinforcement learning framework across U.S., Canadian, and Nordic policy regimes. Both analytical and PPO-based agents identify welfare-optimal operating regions and reveal a critical failure mode: welfare metrics that do not explicitly constrain redistribution can converge to high-automation equilibria that satisfy the metric while undermining its intended societal objectives. Our results suggest that AI governance is fundamentally a constrained optimization problem rather than a compliance exercise. HUF provides a quantitative framework for evaluating automation policies, identifying socioeconomic stability boundaries, and supporting governance decisions under accelerating AI deployment.
• Abstract（参考訳）: EU AI ActやNIST AI RMFなど、既存のAIガバナンスフレームワークは、安全性、透明性、説明責任に対処するが、マクロな社会経済的安定性に対する定量的な制約を運用しない。 その結果、AIシステムは労働の移転、不平等の増大、経済の回復力の低下に寄与しながら、規制要件を満たすことができる。 本稿では,3つの行動可能な政策レバー(自動化深度,再分配強度,雇用率)の機能として,庁,福祉,経済安定の相互作用をモデル化する,差別化可能な福祉指標であるヒューマン・ユーティリティ・ファクター(Human Utility Factor,HUF)を紹介する。 HUFは、クローズドフォームの最適自動化レベルと、以下の最小再分配しきい値をもたらし、自動化のレベルが福祉に陽性でないため、ハイレベルなガバナンス目標を計算可能な制約に変換する。 我々は,米国,カナダ,北欧の政策体制にまたがる3エージェント多エージェント強化学習フレームワークを用いて,HUFを評価する。 分析的およびPPOベースのエージェントは、福祉最適運用地域を特定し、重要な失敗モードを明らかにする: 再分配を明示的に制限しない福祉指標は、意図された社会的目的を損なうことなく、その指標を満たす高度自動化均衡に収束することができる。 この結果から,AIガバナンスはコンプライアンスエクササイズではなく,基本的に制約付き最適化問題であることが示唆された。 HUFは、自動化ポリシーの評価、社会経済的安定性の境界の特定、AIデプロイメントの加速によるガバナンス決定のサポートのための定量的フレームワークを提供する。

関連論文リスト

• The AI Resilience Gap: Bringing Artificial Intelligence Inside the Operational Resilience Perimeter [0.0]
  AIの採用は、信頼できるAIスタックとは異なる、かつ不十分にカバーされたレジリエンス義務を生み出します。 我々は、運用のレジリエンス周辺にAI依存関係をもたらすための、レシシックな方法であるAI Resilience Frameworkを提案する。
  論文  参考訳（メタデータ） (2026-07-08T12:54:11Z)
• Foundation Protocol: A Coordination Layer for Agentic Society [78.01727114524464]
  Foundation Protocol (FP) は、新興の人間-AI社会のためのグラフファーストの調整レイヤである。 FPはエージェント、ツール、リソース、人間、機関、組織を含む異種組織を統一する。 目的は、説明責任を維持しつつ、自律的な機関を構成可能に保つことである。
  論文  参考訳（メタデータ） (2026-05-22T04:20:35Z)
• Position: agentic AI orchestration should be Bayes-consistent [92.04373485710285]
  本稿では,エージェントシステムのオーケストレーションレベルにおいて,一貫性のある意思決定にはベイズ原理が必要であることを論じる。 信念とユーティリティ対応ポリシーがエージェントAIオーケストレーションをどのように改善するかを説明するための例とデザインパターンを提供する。
  論文  参考訳（メタデータ） (2026-05-01T15:43:43Z)
• EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
  Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。 しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。 実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
  論文  参考訳（メタデータ） (2026-01-29T11:33:49Z)
• Institutional AI: A Governance Framework for Distributional AGI Safety [1.3763052684269788]
  AIモデルのコア特性から生じる3つの構造的問題を同定する。 ソリューションはInstitutional AIであり、AIエージェント集団の効果的なガバナンスの問題としてアライメントを扱うシステムレベルのアプローチである。
  論文  参考訳（メタデータ） (2026-01-15T17:08:26Z)
• AI Autonomy Coefficient ($α$): Defining Boundaries for Responsible AI Systems [0.15293427903448018]
  現代のAIシステムの統合性は、Human-in-the-Loopモデルの誤用によって損なわれる。 機能独立の定量的レベルを示すためにAIシステムを必要とするAI-First, Human-Empowered(AFHE)パラダイムを導入する。 AFHEは、現代のAIシステムにおいて、検証可能な自律性、透明性、持続的な保守性を保証するためのメトリック駆動型アプローチを提供する、と結論付けています。
  論文  参考訳（メタデータ） (2025-12-12T05:41:20Z)
• Social Welfare Function Leaderboard: When LLM Agents Allocate Social Welfare [87.06241096619112]
  大規模言語モデル(LLM)は、人間の福祉に影響を及ぼす高い意思決定にますます信頼されている。 本稿では, LLMが主権アロケータとして機能する動的シミュレーション環境である社会福祉機能ベンチマークを紹介する。 我々は、20の最先端LCMを評価し、社会福祉確保のための第1のリーダーボードを提示する。
  論文  参考訳（メタデータ） (2025-10-01T17:52:31Z)
• LLM Economist: Large Population Models and Mechanism Design in Multi-Agent Generative Simulacra [29.627070781534698]
  本稿では,エージェント・ベース・モデリングを用いて経済政策を設計・評価する新しい枠組みを提案する。 下位レベルでは、有界な労働者エージェントは、テキストベースのユーティリティ関数をテキストで学習するために労働供給を選択する。 上位のレベルでは、プランナーエージェントは、現在の連邦政府の括弧に固定された一貫した境界税制を提案するために、文脈内強化学習を採用する。
  論文  参考訳（メタデータ） (2025-07-21T17:21:14Z)
• Societal Adaptation to AI Human-Labor Automation [0.0]
  本稿では、社会がAIによるヒューマンコラボレーションの自動化にどのように適応できるかを分析する。 脅威モデルは、大量失業とその社会経済的な結果に焦点を当てている。 この分析は、AIの発展方法を形成する「能力改善介入」(CMI)と、社会の調整を支援する「適応介入」(ADI)の両方を探求する。
  論文  参考訳（メタデータ） (2024-12-07T15:08:11Z)
• PARL: A Unified Framework for Policy Alignment in Reinforcement Learning from Human Feedback [106.63518036538163]
  我々は、強化学習におけるポリシーアライメントの最近強調された重要な問題に対処するために、新しい統合された二段階最適化ベースのフレームワーク、textsfPARLを提案する。 本フレームワークは, 上向きの目標(逆設計)の分布を, 下向きの最適変数で明示的にパラメータ化することにより, これらの問題に対処する。 その結果,提案したtextsfPARL が RL のアライメントの懸念に対処できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-08-03T18:03:44Z)
• Building a Foundation for Data-Driven, Interpretable, and Robust Policy Design using the AI Economist [67.08543240320756]
  AIエコノミストフレームワークは,2段階強化学習とデータ駆動型シミュレーションを用いて,効果的な,柔軟な,解釈可能なポリシー設計を可能にする。 RLを用いて訓練されたログリニア政策は、過去の結果と比較して、公衆衛生と経済の両面から社会福祉を著しく改善することがわかった。
  論文  参考訳（メタデータ） (2021-08-06T01:30:41Z)
• ERMAS: Becoming Robust to Reward Function Sim-to-Real Gaps in Multi-Agent Simulations [110.72725220033983]
  Epsilon-Robust Multi-Agent Simulation (ERMAS)は、このようなマルチエージェントのsim-to-realギャップに対して堅牢なAIポリシーを学ぶためのフレームワークである。 ERMASは、エージェントリスク回避の変化に対して堅牢な税政策を学び、複雑な時間シミュレーションで最大15%社会福祉を改善する。 特に、ERMASは、エージェントリスク回避の変化に対して堅牢な税制政策を学び、複雑な時間シミュレーションにおいて、社会福祉を最大15%改善する。
  論文  参考訳（メタデータ） (2021-06-10T04:32:20Z)

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。