論文の概要: Should I stay or should I show? Learning to selectively disclose information

• arxiv url: http://arxiv.org/abs/2609.39818v1
• Date: Wed, 30 Sep 2026 14:21:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.884618
• Title: Should I stay or should I show? Learning to selectively disclose information
• Title（参考訳）: 留まるべきか、それとも見せるべきか? 情報を選択的に開示することを学ぶ
• Abstract要約: 予算制約の下で人的意思決定者に対して支援情報を開示する際の学習課題について検討する。 まず,情報の価値 (VoI) のしきい値ルール,すなわち情報開示による人的決定リスクの低減が最適であることを示す。 ベンチマークデータセットの実験では、選択的な開示は開示無しと完全な開示の両方に優れていた。
• 参考スコア（独自算出の注目度）: 45.68941332214556
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many high-stakes settings, human decision-makers can acquire support information before making a decision. However, acquiring information is costly, and disclosure may fail to improve human decisions or may even impair them. We tackle this problem by studying selective disclosure, i.e., the problem of learning when to reveal support information to a human decision-maker under a budget constraint. We first show that the optimal policy is a threshold rule on the Value of Information (VoI), i.e., the expected reduction in human decision risk induced by disclosure. Since VoI is unknown in practice, we estimate the regime-specific human risks and bound the possible degradation of the resulting plug-in policy relative to lack of disclosure, as well as its regret relative to the optimal policy. Experiments on benchmark datasets show that selective disclosure outperforms both no disclosure and full disclosure, regardless of whether the support information is beneficial or harmful. Two user studies show that human-AI team performance can improve when disclosure is led by our learned policy and not human-selected, although this advantage varies across tasks. A counterfactual benchmark, which replaces participants' predictions with a machine-learning prediction when disclosure occurs, suggests that these differences might depend on lower adherence to advice when the information is automatically provided rather than self-requested.
• Abstract（参考訳）: 多くのハイテイクな設定では、人間の意思決定者は意思決定の前にサポート情報を取得することができる。 しかし、情報を取得するにはコストがかかり、情報開示は人間の判断を改善するのに失敗するかもしれない。 本研究では、予算制約の下で人的意思決定者に対して支援情報を開示する際の学習課題として、選択的開示を研究することでこの問題に対処する。 まず,情報の価値 (VoI) のしきい値ルール,すなわち情報開示による人的決定リスクの低減が最適であることを示す。 実際にはVoIは未知であるため,システム固有の人的リスクを見積もるとともに,情報開示の欠如によるプラグインポリシの劣化と,最適なポリシに対する後悔を関連づける。 ベンチマークデータセットの実験では、選択的な開示は、サポート情報が有益であるか有害であるかに関わらず、開示と完全な開示の両方に優れることが示された。 2つのユーザー研究により、人間-AIチームのパフォーマンスは、情報開示が学習方針によって導かれるときに向上し、人間選択ではないことが示されている。 情報開示が発生した場合、参加者の予測を機械学習予測に置き換えた反ファクト的ベンチマークでは、情報の自己要求よりも自動的に提供される場合、これらの違いはアドバイスへの順応の低さに依存する可能性があることを示唆している。

関連論文リスト

• CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence [55.21518669075263]
  CURE4Recは、レコメンデーションアンラーニング評価のための最初の包括的なベンチマークである。 さまざまな影響レベルのデータに対する推薦公正性と堅牢性に対するアンラーニングの影響について検討する。
  論文  参考訳（メタデータ） (2024-08-26T16:21:50Z)
• Language Models Can Reduce Asymmetry in Information Markets [100.38786498942702]
  我々は、言語モデルを利用した知的エージェントが外部参加者に代わって情報を売買する、オープンソースのシミュレートされたデジタルマーケットプレースを紹介した。 このマーケットプレースを実現する中心的なメカニズムはエージェントの二重機能であり、特権情報の品質を評価する能力を持つと同時に、忘れる能力も備えている。 適切に行動するためには、エージェントは合理的な判断をし、生成されたサブクエリを通じて市場を戦略的に探索し、購入した情報から回答を合成する必要がある。
  論文  参考訳（メタデータ） (2024-03-21T14:48:37Z)
• Underspecified Human Decision Experiments Considered Harmful [18.27590643693167]
  本稿では、統計的決定理論と情報経済学から合成された決定問題の広く適用可能な定義について述べる。 我々は、AIによる意思決定に関する最近の実証研究がこの基準を達成するかどうかを評価する。
  論文  参考訳（メタデータ） (2024-01-25T16:21:37Z)
• "There Is Not Enough Information": On the Effects of Explanations on Perceptions of Informational Fairness and Trustworthiness in Automated Decision-Making [0.0]
  自動意思決定システム(ADS)は、連続的な意思決定にますます利用されている。 我々は,情報の公平さに対する人々の認識を評価するために,人間による研究を行う。 定性的フィードバックの包括的分析は、説明のために人々のデシラタに光を当てる。
  論文  参考訳（メタデータ） (2022-05-11T20:06:03Z)
• When Does Uncertainty Matter?: Understanding the Impact of Predictive Uncertainty in ML Assisted Decision Making [68.19284302320146]
  我々は,異なるレベルの専門知識を持つ人々が,異なるタイプの予測不確実性にどう反応するかを評価するために,ユーザスタディを実施している。 その結果,後続の予測分布を示すことは,MLモデルの予測との相違点が小さくなることがわかった。 このことは、後続の予測分布は、人間の分布の種類や専門性を考慮し、注意を払って使用するべき有用な決定支援として役立つ可能性があることを示唆している。
  論文  参考訳（メタデータ） (2020-11-12T02:23:53Z)
• A Case for Humans-in-the-Loop: Decisions in the Presence of Erroneous Algorithmic Scores [85.12096045419686]
  本研究では,児童虐待のホットラインスクリーニング決定を支援するアルゴリズムツールの採用について検討した。 まず、ツールがデプロイされたときに人間が行動を変えることを示します。 表示されたスコアが誤ったリスク推定である場合、人間はマシンの推奨に従わない可能性が低いことを示す。
  論文  参考訳（メタデータ） (2020-02-19T07:27:32Z)

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。