論文の概要: Following the Preference, Missing the Optimum: Compliance Without Optimization in AI Housing Recommendation
- arxiv url: http://arxiv.org/abs/2609.10856v1
- Date: Wed, 09 Sep 2026 21:51:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.144243
- Title: Following the Preference, Missing the Optimum: Compliance Without Optimization in AI Housing Recommendation
- Title（参考訳）: 最適化なしのコンプライアンス - AIハウジングレコメンデーションにおける優先事項に続いて
- Abstract要約: 我々は、ニューヨーク市の検証済みの真実に対してAI住宅の推薦を監査する。
9,945回の3つのモデルへの呼び出しでは、コンプライアンスはほぼ完全(66.6%のランダムフロアに対する1.8%の違反)であるが、39.0%の推奨が厳密に支配されている。
我々は、障害を最適化せずにコンプライアンスとして特徴付け、デプロイ可能な診断として支配率計測を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models are becoming the first point of contact for consumer search in domains where the stakes are material and the law is explicit. Existing audits show that models steer housing seekers by perceived identity, but none can say what a user loses when a recommender overlooks a suitable option, for want of an enumerated inventory to score omissions against. We audit AI housing recommendation against a verifiable ground truth. For each of 150 synthetic renter scenarios in New York City we build a pool of 120 real listings with known rent, bedrooms and GTFS-computed transit commute, compute the exact set satisfying the renter's stated constraints, and derive its Pareto frontier. The primary outcome assumes no utility function: a recommendation is strictly dominated if the same pool holds a listing cheaper, faster to commute from and no smaller in bedrooms. Across 9,945 calls to three models from two vendors, compliance is near-perfect (1.8% violation against a 66.6% random floor), yet 39.0% of recommendations are strictly dominated, and the dominating listing is a median 900 USD/month cheaper and 3.5 minutes closer. A within-scenario manipulation separates two capabilities usually conflated: changing one sentence moves median recommended rent by 646 USD/month in the correct direction, so preferences are honored, yet recommendations still sit 606 USD/month above the five cheapest qualifying listings on the same screen, and an unambiguous lexicographic instruction gives no improvement under equivalence testing against a pre-specified 50 USD/month bound. The gap widens with candidate-set size and replicates across OpenAI and Anthropic models to within 3 USD. We characterize the failure as compliance without optimization, propose dominance-rate instrumentation as a deployable diagnostic, and release all code, prompts and per-call results.
- Abstract（参考訳）: 大規模言語モデルは、利害関係が重要で法則が明確である領域において、消費者検索のための最初の接触点となっている。
既存の監査では、モデルがパーソナライズされたリファインダーを選別するが、レコメンデーターが適切な選択肢を見落としている場合、ユーザーが何を失うかは定かではない。
我々は、検証可能な土台真実に対してAI住宅の推薦を監査する。
ニューヨーク市内の150の合成賃貸業者のシナリオに対して、120のリアルリスティングと既知の賃貸地、寝室、GTFSで計算された通勤電車のプールを構築し、借り手の指定した制約を満たす正確なセットを計算し、パレートフロンティアを導出します。
推奨は、同じプールがより安く、通勤が早く、寝室が小さくない場合に厳密に支配される。
9,945件の2つのベンダーからの3つのモデルへの電話があり、コンプライアンスはほぼ完全(66.6%のランダムフロアに対する1.8%の違反)であるが、39.0%の推奨が厳格に支配されている。
1つの文の変更は、正しい方向に月646USD/月ごとに中央値の推奨住宅地を移動させるため、選好は尊重されるが、推奨は、同じ画面上の5つの最も安価な予選リストよりも606USD/月上にあり、不明瞭な語彙的指示は、あらかじめ指定された50USD/月境界に対して同値テストを行う場合、改善されない。
ギャップは候補セットのサイズによって拡大し、OpenAIとAnthropicモデル間で複製される。
我々は、障害を最適化なしでコンプライアンスとして特徴づけ、デプロイ可能な診断として支配率計測を提案し、すべてのコード、プロンプト、呼び出し毎の結果をリリースする。
関連論文リスト
- Pandora's AI Model Routing Box: Efficient Allocation with Costly Value Estimation [64.51088225051959]
不均一なAIシステムは、最低コストで最も効果的に答えられる専門家にクエリをルーティングすることで、品質と効率を向上させることができる。
我々はこのトレードオフをPandoraのBoxの例として定式化した。
ガウス信号モデルの下では、得られたポリシーは、各専門家とインプットに対して、その価値見積の精算がそのコストに値するかどうかを決定する、クローズドフォームな情報表現を持つ。
論文 参考訳（メタデータ） (2026-08-20T17:54:37Z) - Learning Not to Optimize: Physics-Informed Action-Space Reshaping for Intent-Based Network Control [50.46501177871741]
LNOQRD は小物候補を75.9% で削減し、90.8% でニアオラクルのカバレッジを維持している。
実験の結果、LNOQRDは実用性と意図の満足度が最も高く、かつ、法律違反が最低で、世代後レイテンシが低いことがわかった。
論文 参考訳（メタデータ） (2026-08-02T00:27:01Z) - Evaluating and Pricing Advertisements in AI-Generated Responses [5.675676304782969]
主な課題は、クリックスルーインテント、行動ログが利用できないこと、人間のアノテーションが校正に抵抗すること、フロンティアのLLM判事がインテントを言語的な流布と説明することである。
心理学的基盤を持つエージェント・シミュレーション・フレームワークを用いて、欠落した監視を構築、クリックスルー意図を予測するパラメータ効率評価器に分解し、スムーズで微分可能な見積もりとして、広告品質の3つの相補的な次元と合わせて構成する。
我々は価格層を直接構築し、真理入札が最適であるユニークな支払いルールを導出し、それを最高のk割当で示し、そのメカニズムを非モノトン割当に拡張する。
論文 参考訳（メタデータ） (2026-07-30T05:07:27Z) - SFGA: A Statistics-First Gating Architecture with Adjudicative Escalation for Trustworthy SFT Data Procurement [2.8129261352670003]
我々は、調達をコストに配慮したルーティング問題として扱う統計第一のゲーティングアーキテクチャであるsysを提案する。
ゲートは間隔が狭く、サンプルサイズが適切で、軸が一致する場合にのみ決定を受理する。
コンサイドの勝利率は0.80、ポジションフリップ率は52%である。
論文 参考訳（メタデータ） (2026-07-21T10:52:04Z) - AI-Assisted Discovery of Convex Relaxations via Dual Agents [56.60366723277675]
すべての許容関数に対して下界が成り立ち、より強い境界を与える凸緩和から従うことを示す。
理論は各エージェントを検証し、反例を検索し、報告されたすべての境界はインターバルにおける明示的な二重実現可能な点によって認証される。
論文 参考訳（メタデータ） (2026-06-30T06:10:25Z) - Whose hotel does the AI recommend? An algorithm audit of reputation signals in LLM-assisted hotel selection [0.0]
ランダムな選択に基づくコンジョイントを用いたアルゴリズム監査を行う。
アシスタントは、ゲスト格付け、レビューボリュームとリプライ、マネジメントレスポンス、チェーンアフィリエイト、価格、エコ認定、リストポジションが独立してランダム化されている5つのホテルの中から選択する。
論文 参考訳（メタデータ） (2026-06-15T07:47:31Z) - Conformal Candidate Certification for Offline Model-Based Optimization [0.6599344783327052]
我々は,emphConformal Candidate Certification (CCC)を提案する。
我々は、各候補者に一方的な下限を付け、その境界が目標を超えるものだけを前進させる。
CCCは、公称0.90で0.990のアグレッシブ・プロポーザル・プールを16.7%で認証し、コシフトを無視する標準のコンフォーマル予測は0.416のカバレッジに崩壊する。
論文 参考訳（メタデータ） (2026-06-13T09:29:18Z) - Instance-Optimal Estimation with Multiple LLM Judges on a Budget [84.31744861038106]
我々は、この問題を*予算付きヘテロスケダティックなマルチジャッジ推定*として定式化する。
K$のプロンプト-レスポンスペア、J$の既知のコストと未知のクエリ-ジャッジ分散が与えられた場合、目標は、$ell_p$-errorを最小化しながら、有界スコアベクトルを推定することである。
EST-IVWEは,予算の低次項までのオラクルIVWEレートと一致していることを示す。
論文 参考訳（メタデータ） (2026-05-22T08:26:08Z) - Preserving Disagreement: Architectural Heterogeneity and Coherence Validation in Multi-Agent Policy Simulation [0.0]
政策シミュレーションにおいて,大規模言語モデル(LLM)を用いたマルチエージェント検討システムの提案が進んでいる。
評価エージェントは、割り当てられた値の観点に関わらず、同じ選択肢に収束する。
我々は、三段階の審議フレームワークであるAI Councilを提示し、2つの介入をテストするための2つの政策シナリオにわたる120の審議を行う。
論文 参考訳（メタデータ） (2026-04-29T11:47:28Z) - Supervised Optimism Correction: Be Confident When LLMs Are Sure [91.7459076316849]
教師付き微調整とオフライン強化学習の間には,新たな理論的関係が確立されている。
広く使われているビームサーチ法は、許容できない過度な最適化に悩まされていることを示す。
本稿では,トークンレベル$Q$-value推定のための簡易かつ効果的な補助的損失を導入したSupervised Optimism Correctionを提案する。
論文 参考訳（メタデータ） (2025-04-10T07:50:03Z) - Learning Strategies in Decentralized Matching Markets under Uncertain
Preferences [91.3755431537592]
エージェントの選好が不明な場合,共有資源の不足の設定における意思決定の問題について検討する。
我々のアプローチは、再生されたカーネルヒルベルト空間における好みの表現に基づいている。
エージェントの期待した利益を最大化する最適な戦略を導出する。
論文 参考訳（メタデータ） (2020-10-29T03:08:22Z)
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。