論文の概要: RACER: Role-Aligned Competence Estimation for Human-AI Routing

• arxiv url: http://arxiv.org/abs/2609.21953v1
• Date: Fri, 18 Sep 2026 16:11:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.178561
• Title: RACER: Role-Aligned Competence Estimation for Human-AI Routing
• Title（参考訳）: RACER:人間-AIルーティングにおける役割対応能力推定
• Abstract要約: 人口適応型deferralは、専門家の振る舞いの小さなコンテキストセットを使用して、この問題を未確認の専門家に拡張する。 IFD(Identity-Free Deferral)はロールインデックス付きクラスワイドコンピテンスプロファイルを通じてショートカットを削除するが、その推定値は各クラス内で一定であり、インスタンスレベルの専門家の専門化を捉えることはできない。 本稿では,RACER--Role-Aligned Competence Estimation for Routingを提案する。
• 参考スコア（独自算出の注目度）: 45.17267371169265
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Learning to defer asks a predictive system when to act autonomously and when to defer to a human expert. Population-adaptive deferral extends this problem to unseen experts using a small context set of expert behavior. Neural context encoders such as L2D-Pop can be query-dependent, but may learn routing shortcuts tied to absolute class coordinates. Identity-Free Deferral (IFD) removes such shortcuts through role-indexed classwise competence profiles, but its estimates are constant within each class and cannot capture instance-level expert specialization. We propose RACER---Role-Aligned Competence Estimation for Routing---a role-relative framework for estimating an unseen expert's competence from context. RACER estimates the posterior-predictive probability that the expert is correct on a query under each candidate class role, then combines these estimates with the model posterior to obtain the Bayes-relevant expert-correctness probability. Nonparametric and neural kernel-pooling estimators use candidate-role relations, shared aggregation, and symmetric summaries, excluding absolute class-identity channels. We prove coherent class-relabelling invariance, derive a Bayes-aligned deferral surrogate, and give a plug-in regret bound relating routing regret to classifier and competence-estimation error. On controlled synthetic benchmarks, including a PathMNIST histopathology context-scaling study with simulated experts, RACER benefits from additional context under hidden subtype dependence and gives the strongest aggregate performance on a separately sampled unseen-expert split in the CIFAR-100 synthetic experiments. On the radiologist and human--AI chest-radiography benchmarks (VinDr-CXR and CheXpert), the RACER family is competitive or best in budget-swept deferral, with calibration results varying across metrics and datasets.
• Abstract（参考訳）: 遅延の学習は、予測システムに対して、いつ自律的に行動すべきか、いつ人間の専門家に延期するかを尋ねる。 人口適応型deferralは、専門家の振る舞いの小さなコンテキストセットを使用して、この問題を未確認の専門家に拡張する。 L2D-Popのようなニューラルコンテキストエンコーダはクエリ依存でもよいが、絶対クラス座標に結びついたルーティングショートカットを学ぶことができる。 IFD(Identity-Free Deferral)はロールインデックス付きクラスワイドコンピテンスプロファイルを通じてそのようなショートカットを除去するが、その推定値は各クラス内で一定であり、インスタンスレベルの専門化を捉えることはできない。 本稿では,RACER--Role-Aligned Competence Estimation for Routingを提案する。 RACERは、専門家が各候補クラスロールのクエリで正しいと推定し、これらの推定をモデル後部と組み合わせてベイズ関連の専門家正当性確率を得る。 非パラメトリックおよびニューラルカーネルプール推定器は、絶対クラスアイデンティティチャネルを除いて、候補-ロール関係、共有アグリゲーション、対称サマリーを使用する。 我々は,コヒーレントなクラスレバリング不変性を証明し,ベイズ対応のdeferral surrogateを導出し,分類器への経路後悔と能力推定誤差に関するプラグイン後悔を与える。 シミュレーションされた専門家によるPathMNIST組織学的文脈スケーリング研究を含む制御された合成ベンチマークでは、RACERは隠れたサブタイプ依存の下で追加の文脈から恩恵を受け、CIFAR-100合成実験において別々にサンプリングされた未確認の分裂に対して、最も強力な集計性能を与える。 VinDr-CXR と CheXpert の放射線学者とヒト-AI の胸部X線撮影のベンチマークでは、RACER ファミリーは、測定値やデータセットによってキャリブレーションの結果が異なり、最も競争力があるか、あるいは予算を抑えている。

関連論文リスト

• How Useful is Causal Invariance for Domain Adaptation in Finite-Sample Settings? [58.740078141879984]
  機械学習モデルは、トレーニングされたソースディストリビューションとは異なるターゲットディストリビューションにデプロイされると、しばしば劣化する。 因果関係に基づく領域一般化における最近の研究は、共用因果構造が不変な予測因子を誘導する方法を示している。 本稿では,完全あるいは部分的な因果知識が,教師付きドメイン適応を確実に改善できるかどうかについて検討する。
  論文  参考訳（メタデータ） (2026-06-10T21:07:49Z)
• Imitation Learning for Combinatorial Optimisation under Uncertainty [1.0781866671930855]
  本稿では,不確実性の下でのIL最適化の専門家の系統分類について紹介する。 専門家は, 筋力, 決定性, フル情報, 2段階, 多段階の定式化, 最適性のレベル, タスク最適, 近似的エキスパートの識別, 学習者とのインタラクションモード, ワンショットの監督から反復的, インタラクティブなスキームまで, の3つの次元に沿って分類される。
  論文  参考訳（メタデータ） (2026-01-08T21:16:25Z)
• Imitation Learning as Return Distribution Matching [37.79354987519793]
  リスク感応性強化学習(RL)エージェントの模倣学習(IL)による訓練課題について検討する。 私たちのゴールは、専門家の期待したリターンと一致するエージェントを訓練するだけでなく、リスク態度もトレーニングすることです。 RS-KTは, 動的情報を活用することにより, RS-BCよりも試料の複雑さが著しく低いことを示す。
  論文  参考訳（メタデータ） (2025-09-15T15:08:04Z)
• Bayesian Inference for Correlated Human Experts and Classifiers [15.98474253538141]
  そこで本研究では,クラスラベルの予測に専門家に問い合わせることの問題点について,できるだけ少ない人的クエリを用いて検討する。 この問題に対する一般的なベイズ的枠組みを開発し、連立潜在表現による専門家相関をモデル化する。 我々は,CIFAR-10H と ImageNet-16H の2つの実世界の医学分類問題に適用する。
  論文  参考訳（メタデータ） (2025-06-05T23:39:41Z)
• Quality assurance of organs-at-risk delineation in radiotherapy [7.698565355235687]
  放射線治療計画において,腫瘍標的と臓器の脱線は重要である。 自動セグメンテーションの品質保証は、まだ臨床実践において必要ではない。 提案手法は,一級分類フレームワークにおける残差ネットワークとアテンション機構を導入し,様々な種類のOAR輪郭誤差を高精度に検出することができた。
  論文  参考訳（メタデータ） (2024-05-20T02:32:46Z)
• Query Performance Prediction using Relevance Judgments Generated by Large Language Models [53.97064615557883]
  自動生成関連判定(QPP-GenRE)を用いた新しいクエリ性能予測(QPP)フレームワークを提案する。 QPP-GenREは、QPPを独立したサブタスクに分解し、ランクリスト内の各項目の関連性を所定のクエリに予測する。 我々は,オープンソースの大規模言語モデル (LLM) を用いて,科学的妥当性を確保することにより,項目の関連性を予測する。
  論文  参考訳（メタデータ） (2024-04-01T09:33:05Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Learning Fair Scoring Functions: Bipartite Ranking under ROC-based Fairness Constraints [2.0263791972068628]
  2値ラベル付きデータからスコアリング関数を学習する際の公平性について検討する。 AUC と ROC 曲線に基づくフェアネス定義の一般族を紹介する。 このような制約の下で学習したスコアリング関数の有界一般化を確立する。
  論文  参考訳（メタデータ） (2020-02-19T13:17:39Z)

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。