論文の概要: Better together? A performance theory of human-machine skill policies under generalization difficulty

• arxiv url: http://arxiv.org/abs/2610.16863v1
• Date: Mon, 12 Oct 2026 14:29:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 21:10:52.265299
• Title: Better together? A performance theory of human-machine skill policies under generalization difficulty
• Title（参考訳）: 協調性向上か? 一般化困難下における人間機械技能政策のパフォーマンス理論
• Abstract要約: 多くの場合、デフォルトでは、各インスタンスを実行し、両方が実行された時に何が起こるかを示す。 スキルの平均とインスタンスごとのベストの間には、大きな利害関係がある。 この理論は多くのスキルに拡張され、それぞれが保持するすべてのスキルに匹敵する付加価値を与え、同時に単一障害の許容するコストが決定されるような競合するスキルにも適用されます。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Organizations pairing a human and a machine on a task decide, often by default, which executes each instance and what happens when both do. We account for what this attains under the squared rule, with performance distributed over instances to capture generalization difficulty. A gross stake lies between the skills' mean and best per instance. It splits at the best single skill into a systematic part, known from separate assessments and secured by commitment, and a residual, the expected value of perfect information on which skill each instance favors, known only from paired observation and split further by classes. Skills set the stake; workflows decide the take, via two channels. Routing directs work, weighting or selecting responses; with binary truth it is capped by the best skill per instance. Reading responses as joint evidence is not routing; what they jointly reveal caps it. Synergy lets skills interact before responding; bounded by no skill either way, its lift over independent responses must clear a break-even and can fall below one. As algorithms, arrangements form a ladder stating what each reads, holds and records, and a procedure whose checks keep earlier gains when class means are known and lose little on finite records given a margin. The theory extends to many skills, each worth what it adds where it beats all others held, and to competing skills, where at parity a single failure's allowed cost decides. In a public chest-radiograph study with 227 radiologists, they are near parity with the model and the stake is mostly residual; assisted reading, no better on average originally, returned less than averaging both responses; recalibrating the model alone beats any deployable arrangement of raw responses. Organizations can learn from their records what is at stake, which arrangement collects it and what evidence each step needs; pricing costs and errors is future work.
• Abstract（参考訳）: タスク上の人間とマシンをペアリングする組織は、多くの場合、デフォルトで決定する。 一般化の難しさを捉えるために、インスタンス上でパフォーマンスが分散している。 スキルの平均とインスタンスごとのベストの間には、大きな利害関係がある。 最高の単一のスキルを、個別のアセスメントから知られ、コミットメントによって確保された体系的な部分と、各インスタンスがどのスキルを好むかを期待する完全な情報の期待値に分割し、ペア化された観察からのみ知られ、クラスによってさらに分割する。 スキルは利害関係を定め、ワークフローは2つのチャンネルを通じてテイクを決定する。 ルーティングは作業の指示、重み付け、あるいは応答の選択を行う。バイナリ真理では、インスタンス毎に最高のスキルによってカプセル化される。 共同証拠として回答を読むことはルーティングではない。 シナジーは、反応する前にスキルを相互作用させる。いずれの方法もスキルに縛られず、独立した反応よりも持ち上げられることは、休憩時間を取り除き、それ以下に陥る可能性がある。 アルゴリズムとして、アレンジメントは、それぞれの読み込み、保持、記録を記述したはしごを形成し、チェックがクラス平均が知られ、マージンが与えられた有限レコードでほとんど失われる場合に、早期に利得を保持する手順を形成する。 この理論は多くのスキルに拡張され、それぞれが保持するすべてのスキルに匹敵する付加価値を与え、同時に単一障害の許容するコストが決定されるような競合するスキルにも適用されます。 227人の放射線技師による胸部X線撮影では、これらはモデルとほぼ同程度であり、ほぼ残量である。 組織は自分たちの記録から、何が重要か、どのアレンジメントがそれを収集し、各ステップが必要とする証拠を学ぶことができる。

関連論文リスト

• SkillSeam: Six Principles for Auditing Agent Skill Collections [0.0]
  SkillSeamは個々のスキルファイルがシステムになる関係を監査する。 それぞれのコレクションレベルの原則を、障害メカニズム、最強の可観測性、制御された摂動テストにマッピングする。 私たちは、他のスキルシステムが同じ障害チャンネルを計測できるように、バイト差のバリエーション、タスクスライス、ロールアップ、ワンスクリーンデザインチェックリストをリリースします。
  論文  参考訳（メタデータ） (2026-09-10T19:59:07Z)
• Spread and Scale: What Determines Whether Test-Time Budget Allocation Pays [0.0]
  我々は,インスタンスの難易度に関する独自の情報を提供する予算対応政策が,その情報を無償と仮定した場合に利用可能な改善のほとんどを回復させることを示す。 本稿は、特定の経験的回答と、その回答がどのように測定されたかの人工物ではないことを検証するためのテンプレートを提供する。
  論文  参考訳（メタデータ） (2026-08-21T17:54:00Z)
• Rubric Dropout: A Simple Way to Mitigate Reward Hacking in Rubric-as-Reward RL [11.857468467125505]
  トレーニング中に2つのスコアが分岐していることが分かりました。 一定のバイアスを持つ審査員は、トレーニングスコアが上昇している間に、金の曲線を一定にシフトさせる。 我々は、ニューロンのドロップアウトから借りた1行の修正であるDropoutを提案する。
  論文  参考訳（メタデータ） (2026-08-12T05:29:21Z)
• Framing, Judging, Steering: An Assessable Competency Model for Teach-ing Students to Reason With Generative AI [47.027290803102666]
  生産的AI利用を3つの評価可能なスキルに分解する能力モデルであるCoRe-3(Co-Reasoning)を提案する。 理論上のスキルを基盤として、5つのテスト可能な提案を述べ、それらをCoReasoningLabでインスタンス化します。 人為的な合意と成果が次々に行われます。私たちは、計測器、データ、プロトコルをリリースします。
  論文  参考訳（メタデータ） (2026-06-04T10:25:31Z)
• Acting on the Unseen: Communication-Free Collaborative Filtering for Decentralized Multi-Robot Task Allocation [43.0484058393522]
  隠れた低ランク構造はどのロボットがどのタスクに合うかを支配しており、ラウンドよりもはるかに多くのタスクがある。 しかし、各ロボットは、ブロードキャスト上でオンラインで低ランクの協調フィルタリングを実行することで、決して試みなかったタスクにうまく対応し、新しいタスクをオンボードで実行することができる。
  論文  参考訳（メタデータ） (2026-05-25T08:33:40Z)
• SPARTA ALIGNMENT: Collectively Aligning Multiple Language Models through Combat [76.48873047003943]
  SPARTA ALIGNMENT(SPARTA ALIGNMENT)を提案する。 各イテレーションにおいて、1つの命令と2つのモデルがデュエルのために選択され、他のモデルが2つのレスポンスを評価し、それらの評価スコアは、適応されたエロランクベースの評価システムを介して集約される。 ピア評価された戦闘結果は、敗戦よりも勝利の反応が優先される選好ペアとなり、各イテレーションの最後にこれらの選好からすべてのモデルが学習される。
  論文  参考訳（メタデータ） (2025-06-05T07:51:23Z)
• Skill-Based Reinforcement Learning with Intrinsic Reward Matching [77.34726150561087]
  Intrinsic Reward Matching (IRM) を提案する。 IRMにより、従来のスキル選択方法よりもはるかに効果的に事前訓練されたスキルを活用できる。
  論文  参考訳（メタデータ） (2022-10-14T00:04:49Z)

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。