論文の概要: Governed Human-AI Prioritization Under Uncertainty: Adaptive Estimation and Dependency-Constrained Portfolio Selection

• arxiv url: http://arxiv.org/abs/2609.10648v1
• Date: Wed, 09 Sep 2026 14:04:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.083934
• Title: Governed Human-AI Prioritization Under Uncertainty: Adaptive Estimation and Dependency-Constrained Portfolio Selection
• Title（参考訳）: 不確実性下におけるGoverned Human-AI Prioritization:Adaptive Estimation and Dependency-Constrained Portfolio Selection
• Abstract要約: AIネイティブなソフトウェアエンジニアリングは、人間の判断、過去のアナロジー、パラメトリック推定、AI生成予測を、同じ優先順位決定の中で組み合わさりつつある。 ビジネスバリュースコア(BVS)、Effort and Risk Score(ERS)、優先順位付け値スコア(PVS)、集合スコア(CCS)、最適開発パス(ODP)の5つの量演算子について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-native software engineering increasingly combines human judgment, historical analogy, parametric estimation, and AI-generated forecasts inside the same prioritization decision. The resulting problem is not merely how to rank candidate work, but how to govern heterogeneous estimates, uncertainty, strategic parameters, dependencies, and limited capacity in a way that remains inspectable and recalibratable. We study five quantitative operators used in the D-POAF decision practice: Business Value Score (BVS), Effort and Risk Score (ERS), Prioritization Value Score (PVS), Collective Calibration Score (CCS), and Optimal Development Path (ODP). Controlled synthetic experiments characterize their behavior under known latent variables and explicit error processes. Moderate BVS-weight perturbations preserved global rankings (median Spearman 0.986), while broader strategic changes reduced top-10% overlap to 0.788. Reliability-weighted effort aggregation achieved MAE 0.616, a 42.6% reduction relative to the best individual estimator (MAE 1.073), and outperformed a simple mean (MAE 0.638). Under estimator drift, adaptive reliability weighting reduced average RMSE by 4.5% relative to equal weighting. Model-collective divergence detected the highest-error priority estimates with ROC-AUC 0.906. In 800 dependency-constrained portfolio instances, value-to-effort achieved mean objective ratio 0.962 and ODP distance 0.953 against the exact optimum; bootstrap intervals confirm a small but systematic advantage for value-to-effort under the declared objective. These results establish a quantitative basis for evidence-weighted human-AI prioritization and define the optimization boundary between shortest-path ODP formulations and general release-portfolio selection.
• Abstract（参考訳）: AIネイティブなソフトウェアエンジニアリングは、人間の判断、過去のアナロジー、パラメトリック推定、AI生成予測を、同じ優先順位決定の中で組み合わさりつつある。 結果として生じる問題は、候補の作業のランク付け方法だけではなく、不均一な見積もり、不確実性、戦略的パラメータ、依存関係、限られたキャパシティを検査可能で再計算可能な方法で管理する方法である。 ビジネスバリュースコア(BVS)、Effort and Risk Score(ERS)、優先順位値スコア(PVS)、集合校正スコア(CCS)、最適開発パス(ODP)の5つの量演算子について検討した。 制御された合成実験は、既知の潜伏変数と明示的な誤り過程の下でのそれらの挙動を特徴づける。 適度なBVS級の摂動は世界ランキング(中期スピアマン0.986)を保ち、戦略的な変更によりトップ10%のオーバーラップを0.788に減らした。 信頼性に富んだ作業集約は、最高の個人推定器(MAE 1.073)に対する42.6%の削減であるMAE 0.616を達成し、単純な平均値(MAE 0.638)を上回った。 推定器ドリフトの下では、適応的信頼性重み付けは平均RMSEを等しい重み付けに対して4.5%削減した。 モデル偏差は、ROC-AUC 0.906で最高エラー優先度の推定値を検出した。 800の依存性制約ポートフォリオインスタンスにおいて、平均目標比0.962とODP距離0.953は、正確な最適値に対して達成された。 これらの結果は,エビデンス重み付きAI優先順位付けの定量的基礎を確立し,最短パスODP定式化と一般リリースポートフォリオ選択の最適化境界を定義する。

関連論文リスト

• Cost-Sensitive Conformal Prediction and Human-in-the-Loop Abstention for Imbalanced High-Stakes Decision Support: A Multi-Domain Benchmark [2.5130933318193915]
  モンドリアン・CPは有効なマイノリティ・クラスを回復し、最小限のCPよりも61.7ポイントの平均的マイノリティ・カバー・アップを達成した。 我々は、不明瞭なインスタンスを人間の専門家に延期する、データセット固有のブレークエクイティしきい値の定量化を行う。
  論文  参考訳（メタデータ） (2026-07-29T17:15:33Z)
• Architecture-Adaptive Uncertainty Fusion for Deepfake Detection [0.9940728137241215]
  ディープフェイク検出システムはベンチマーク上でほぼ完璧な精度を達成するが、法医学的な展開は信頼性の高い予測の不確実性を要求する。 我々は,5つの相補的不確実性源を融合するアーキテクチャ適応型フレームワークである相関d Fusion(COF)を提案する。 COFは5モデルディープ・アンサンブルの20-45hに対し、モデル変更は必要とせず、重量最適化は42秒しか必要としなかった。
  論文  参考訳（メタデータ） (2026-06-04T19:28:55Z)
• Open-Set Vein Biometric Recognition with Deep Metric Learning [0.0]
  我々は厳密なオープンセット制約の下でDeep Metric Learning(DML)の計算境界を厳格に評価する。 提案手法は,非ネイティブなL2正規化埋め込みを学習し,類似性しきい値を用いたプロトタイプベースマッチングを採用する。 大規模MMCBNU 6000ベンチマークでは、我々の最良のモデル(ResNet50-CBAM)がOSCR 0.9945、AUROC 0.9974、EER 1.57%を達成し、高い識別精度 (99.6% Rank-1) を維持しながら、未知の被験者を頑健に拒否する。
  論文  参考訳（メタデータ） (2026-04-16T11:03:11Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• K-Sort Eval: Efficient Preference Evaluation for Visual Generation via Corrected VLM-as-a-Judge [51.93484138861584]
  視覚生成モデルの急速な開発により、よりスケーラブルで人間に合わせた評価方法の必要性が高まっている。 K-Sort Evalは,後方補正と動的マッチングを統合した信頼性と効率的なVLMに基づく評価フレームワークである。 実験の結果、K-Sort EvalはK-Sort Arenaと一致した評価結果を提供する。
  論文  参考訳（メタデータ） (2026-02-10T05:07:46Z)
• Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
  ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。 SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。 複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2026-02-01T12:56:10Z)
• From Noisy Traces to Stable Gradients: Bias-Variance Optimized Preference Optimization for Aligning Large Reasoning Models [90.45197506653341]
  大規模推論モデルは最終回答を生成する前に中間的推論トレースを生成する。 LRMと人間の好みの整合性は、モデルデプロイメントにとって重要な前提条件であり、まだ過小評価されていない。 共通の回避策は1つのサンプル軌道を最適化し、トレースサンプリングからかなり勾配のばらつきをもたらす。
  論文  参考訳（メタデータ） (2025-10-06T17:58:01Z)
• ELSPR: Evaluator LLM Training Data Self-Purification on Non-Transitive Preferences via Tournament Graph Reconstruction [25.85736569130897]
  大規模言語モデル(LLM)のペアワイズ評価は、オープンエンドタスクのベンチマークにおいて支配的なパラダイムとなっている。 この重要な問題は、本質的に曖昧な選好ペアを含む低品質データに起因していることを示す。 トーナメントグラフとしてペアの選好をモデル化する,原則付きグラフ理論フレームワークであるESSPRを提案する。
  論文  参考訳（メタデータ） (2025-05-23T10:00:03Z)
• UniCBE: An Uniformity-driven Comparing Based Evaluation Framework with Unified Multi-Objective Optimization [19.673388630963807]
  統一統一性駆動型CBEフレームワークUniCBEを提案する。 AlpacaEvalベンチマークでは、UniCBEは評価予算の17%以上を削減し、Pearsonと地上の真実との相関は0.995を超えている。 新しいモデルが継続的に導入されるシナリオでは、UniCBEは評価コストの50%以上を節約できる。
  論文  参考訳（メタデータ） (2025-02-17T05:28:12Z)
• Provably Mitigating Overoptimization in RLHF: Your SFT Loss is Implicitly an Adversarial Regularizer [52.09480867526656]
  人間の嗜好を学習する際の分布変化と不確実性の一形態として,不一致の原因を同定する。 過度な最適化を緩和するために、まず、逆選択された報酬モデルに最適なポリシーを選択する理論アルゴリズムを提案する。 報奨モデルとそれに対応する最適ポリシーの等価性を用いて、優先最適化損失と教師付き学習損失を組み合わせた単純な目的を特徴とする。
  論文  参考訳（メタデータ） (2024-05-26T05:38:50Z)
• Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
  モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。 本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
  論文  参考訳（メタデータ） (2023-12-07T15:55:58Z)

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。